Home

Inte egraçã ão de um m módul jDx o com mercia al no E ERP

1. 4 Hist rico Mensal de Vendas Jan2005 a 400 Dez 2008 300 200 100 OT 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 Figura 17 Parametro valor de vendas no mesmo m s do ano anterior A evolu o mensal de stock de produto acabado o par metro que mais varia ao longo do tempo pois depende das vendas e das compras entre outros factores Numa altura em que os mercados se encontram um pouco estagnados em termos de vendas de dif cil previs o a sua evolu o A figura seguinte representa a evolu o do stock mensal de mercadoria entre Janeiro de 2005 a Dezembro de 2009 60 meses 40 Especifica o do M dulo Comercial ERP jDx Evolu o Stock Fim Ano Anterior Evolu o Stock Fim Ano Anterior 1 4 7 1013161922252831343740434649525558 Figura 18 Par metro Evolu o Mensal de Stock de entrada da rede neuronal Como j foi referido estes foram os quatro primeiros par metros seleccionados como base Foram seleccionados de seguida mais tr s par metros adicionais produto interno bruto taxa de desemprego e ndice de pre os no consumidor que s o mais de conjectura da economia e por consequ ncia de mercado onde a empresa est inserida O Produto Interno Bruto PIB representa a soma em valores monet rios de todos os bens e servi os finais produzidos numa determinada regi o durante um per odo determinado m s trimestre a
2. 10 38 des 796 330 60 748 056 50 6 45 Novembro 688 786 00 654 899 49 5 17 Dezembro 705 925 50 685 282 50 3 01 totais 7 461 023 94 6 691 119 23 11 51 Figura 13 Print Screen da execu o da classe BrowserQuadroBordo do projecto Vendas Mensais A forma o da rede durante a fase de treino ou aprendizagem envolve tr s fases a realimenta o para forma o das entradas padr o a determina o do erro associado ao processo de back propagation e a realiza o do ajuste dos pesos A rede neuronal constitu da por m ltiplas camadas a camada de entrada as uma ou mais camadas escondidas e a camada de sa da Na rede considerada neste trabalho existe apenas uma camada escondida Cada uma das camadas possui v rias unidades ou neur nios As unidades entre duas camadas adjacentes est o todas interligadas sendo que cada unidade da camada de entrada envia um sinal peso da liga o para cada unidade da camada escondida Cada unidade da camada escondida soma os m ltiplos sinais com diferentes pesos e em seguida aplica uma fun o de activa o para gerar os sinais de sa da dessa unidade enviando os para as unidades na camada de sa da As unidades da camada de sa da recebem um sinal de cada unidade da camada escondida e calculam o resultado correspondente tendo em aten o os pesos dos sinais O algoritmo escolhe aleatoriamente os pesos iniciais Na fase de treino da rede ap
3. M dia Minimo 57 000 Media Maximo 216 125 473 000 Minimo 17 574 M dia Maximo 57 363 173 118 Minimo 0 00146 Media Maximo 0 00220 0 00318 Tabela 2 Resumo dos resultados obtidos em An lise 1 par metros NF NM V IPC As figuras 31 e 32 apresentam respectivamente o gr fico com o menor e o maior erro m dio absoluto obtido na fase de teste da rede neuronal 58 Implementa o Vendas Reais Previs o de Vendas Figura 31 Menor erro m dio absoluto em An lise 1 par metros NF NM V IPC Vendas Reais Previs o de Vendas O S xX er DS 4 Sb DBD Db amp O O S YX DO Ss SS SS es L CRM CO L ww x x Figura 32 Maior erro m dio absoluto em An lise 1 par metros NF NM V IPC 59 Implementa o De seguida foram ensaiados como par metros de entrada o n mero de funcion rios NF o n mero de m quinas NM o volume de vendas do mesmo m s do ano anterior V e o Produto Interno Bruto PIB Os resultados obtidos s o apresentados na tabela seguinte tabela 3 Previs es Vendas Mensais Ano 2008 4 Par metros Back Propa N de Funcion rios N de M quinas Vendas do mesmo m s do Ano Anterior PB Ni de itera es de aprendizagem da rede 500000 N Elementos do Conjunto de Treino 48 N Elementos do Conjunto de Teste 12 ERRO M DIO ABSOLUTO milhares de euros ERRO M DIO ERRO M XIMO ABSOLUTO milhares
4. ir produzir um conjunto de regras para cada resultado das classes da rede neuronal Se as regras s o da mesma categoria que o resultado da classe conclui se que o resultado da rede neuronal cred vel e implicitamente expressas pelas regras destacadas inputs outout im living space size of garage appraised value gt age ot nouse em at SE ae Figura 6 Exemplo de uma rede neuronal A Figura 6 representa um exemplo de uma rede neuronal que pode ser aplicada ao caso de estudo deste projecto em que as entradas s o bem conhecidas mas a forma de combinar o peso 20 Revis o Bibliogr fica ainda n o completamente conhecido As sa das s o bem conhecidas A experi ncia est dispon vel lotes de forma o de dados O treino apresenta exemplos conhecidos dados de vendas anteriores rede para que possa aprender como calcular as previs es venda teremos ent o de iterativamente ajustar pesos para encontrar as melhores previs es de vendas mensais para o ano seguinte minimizando os erros As entradas devem normalmente ser padronizadas ou redimensionadas para evitar entradas com grandes gamas de valores dominando a rede Cada itera o ajustando os pesos normalmente chamada de gera o A gera o final chega quando n o se pode reduzir a taxa de erro adicional e a forma o de dados encaixa se melhor mas provavelmente pode ultrapassar os valores pretendidos A gera o ant
5. s o sistemas baseados na integra o de diferentes m dulos de software com uma base de dados central ver Figura 1 Cash on hand Accounts receivable Customer credit Revenue Human Resources Orders Sales forecasts Return requests Price changes Hours worked Labor cost Job skills Materials Production schedules Shipment dates Production capacity Purchases Figura 1 Exemplo de um ERP figura retirada de Laudon Laudon 2006 Introdu o A base de dados armazena dados de e alimenta dados para numerosas aplica es que podem suportar todas as actividades internas da organiza o Quando uma nova informa o entra por um processo essa informa o torna se imediatamente dispon vel para outros processos de neg cio Se um vendedor colocar uma encomenda com uma data de entrega pedida pelo cliente o sistema iria verificar o limite de cr dito do cliente agendar a transfer ncia identificar a melhor rota e reservar o stock dos artigos necess rios Se o stock n o for suficiente para satisfazer a encomenda o sistema iria agendar o fabrico desses artigos encomendando os materiais necess rios aos fornecedores Os dados comerciais financeiros e de previs es de produ o seriam imediatamente actualizados Os utilizadores poder o entrar no sistema e descobrir o estado dessa encomenda em qualquer minuto A gest o poder obter informa es em qualquer momento sobre a form
6. 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Learning Rate Learning Rate Learning Rate Learning Rate Learning Rate 0 5 52 600 45 600 80 000 86 000 0 5 14 970 12 292 26 701 27 138 0 5 80 000 72 000 147 000 158 000 0 5 29 630 23 151 48 148 50 804 0 5 0 00272 0 00220 0 00220 0 00180 0 6 98 800 87 800 36 400 82 200 0 6 30 331 27 439 11 718 26 618 0 6 164 000 139 000 137 000 139 000 0 6 52 733 44 695 43 082 51 481 0 6 0 00272 0 00165 0 00248 0 00175 0 7 79 800 76 800 124 800 100 800 0 7 24 197 24 050 39 605 31 822 0 7 151 000 122 000 243 000 201 000 0 7 48 553 45 185 76 415 64 630 0 7 0 00354 0 00165 0 00185 0 00147 0 8 37 600 70 200 79 800 120 200 0 8 8 680 20 952 26 728 38 385 0 8 109 000 182 000 160 000 199 000 0 8 17 666 57 233 59 259 73 704 0 8 0 00400 0 00284 0 00266 0 00268 Minimo 36 400 Maximo 124 300 Minimo 8 680 Maximo 39 605 Minimo 72 000 Maximo 243 000 Minimo 17 666 Maximo 76 415 Minimo 0 00147 Maximo 0 00400 M dia 78 713 M dia 24 477 M dia 150 188 M dia 49 148 M dia 0 00239 Tabela 7 Resumo dos resultados obtidos em An lise 2 par metros NF NM V IPC As figuras 41 e 42 apresentam respectivamente o gr
7. 76 5 Conclus es e Trabalho Futuro Em termos de trabalho futuro ser dada prioridade aos restantes m dulos do ERP tendo sempre em aten o a integra o total e funcionalidade entre e de todos os m dulos Esta decis o obviamente tem tamb m um cariz comercial uma vez que este ERP uma forte aposta da Din mica que sem o ter vendavel tornar o seu futuro menos promissor Todo o trabalho desenvolvido com o m todo de redes neuronais Back Propagation ser devidamente utilizado em novas situa es em que o cariz de aprendizagem e previs o seja til neste momento uma certeza que o m todo Back Propagation se revela eficaz na previs o de vendas mensais baseado numa boa selec o dos par metros pr determinados e num hist rico que por cada ano que passa se torna mais rico 5 1 Satisfa o dos Objectivos Como j foi referido anteriormente o principal objectivo deste projecto foi a cria o de um m dulo comercial para o novo ERP da Din mica que substitu sse o antigo sendo inovador em termos tecnol gicos totalmente gr fico e com um n vel de funcionalidades na crista da onda Ao n vel do primeiro na tecnologia a inova o e a ambi o estiveram bem presentes Quem aposta na tecnologia Java PostgreSgl depois ter trabalhado muitos anos com o sistema operativo Twin Server linguagem de programa o ABAL e motor de base de dados CRITERIA merece esses adjectivos Naturalmente qu
8. NF n mero de m quinas NM volume de vendas do mesmo m s do ano anterior V e taxa de desemprego TD Os resultados obtidos s o apresentados na tabela 5 Previs es Vendas Mensais Ano 2008 4 Par metros Back Propa N de Funcion rios N de M quinas Vendas do mesmo m s do Ano Anterior Taxa de Desemprego Ni de itera es de aprendizagem da rede 500000 N Elementos do Conjunto de Treino 48 N Elementos do Conjunto de Teste 12 ERRO M DIO ABSOLUTO milhares de euros ERRO M DIO ERRO M XIMO ABSOLUTO milhares de euros ERRO M XIMO ERRO M DIO QUADR TICO Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Learning Rate Learning Rate Learning Rate Learning Rate Learning Rate 0 5 57 833 75 250 45 000 55 083 0 5 12 386 16 214 9 270 13 291 0 5 142 000 228 000 162 000 171 000 0 5 34 409 41 758 40 099 44 086 0 5 0 00292 0 00287 0 00398 0 00123 0 6 47 583 39 167 72 333 79 500 0 6 10 303 9 132 13 732 22 522 0 6 157 000 170 000 124 000 262 000 0 6 38 861 42 079 24 505 140 860 0 6 0 00216 0 00347 0 00257 0 00399 0 7 69 000 135 500 60 500 76 000 0 7 25 134 29 572 17 386 15 124 0 7 381 000 278 000 179 000 175 000 0 7 204 839 68 812 96 237 29 611 0 7 0 001
9. adicionaram um interpretador SQL para substituir a linguagem QUEL desenvolvida para o Ingres e o projecto foi renomeado para Postgres95 Com a divulga o de seu c digo pela Internet Postgres95 iniciou uma nova caminhada como software open source Em Maio de 2000 foi lan ada a vers o 7 0 As vers es 7 x trouxeram as seguintes funcionalidades Write Ahead Log WAL esquemas SQL outer joins suporte a IPv6 indexa o por texto suporte melhorado a SSL e informa es estat sticas de bases de dados A vers o 8 0 foi lan ada em Janeiro de 2005 e entre outras novidades foi a primeira a ter suporte nativo para Microsoft Windows tradicionalmente o PostgreSQL s era compat vel de forma nativa em sistemas Unix e em sistemas Windows atrav s da biblioteca Cygwin Das muitas novidades da vers o 8 x pode se destacar o suporte a tablespaces savepoints point in time recovery roles e Two Phase Commit 2PC Em Fevereiro de 2008 foi lan ada a vers o mais recente 8 3 2 2 Novas necessidades do mercado Segundo Willard e Neil WN04 as empresas de hoje s o caracterizadas por uma elevada complexidade resultado de um mercado extremamente competitivo e de uma concorr ncia muito intensa entre as empresas Fruto desta ebuli o s o necess rios elevados n veis de qualidade nos produtos mas tamb m pre os mais baixos e maior qualidade no servi o p s venda Assim o sucesso das empresas depende em grande parte da sua capacidade de
10. fico com o menor e o maior erro m dio absoluto obtido na fase de teste da rede neuronal 68 Implementa o Vendas Reais Previs o de Vendas Figura 41 Menor erro m dio absoluto em An lise 2 par metros NF NM V IPC Vendas Reais Previs o de Vendas 9 9 Oo Oo PP SS SS SS 9 AS xX xX xX D A A O a AS Ws Figura 42 Maior erro m dio absoluto em An lise 2 par metros NF NM V IPC 69 Implementa o De seguida foram ensaiados como par metros de entrada o n mero de funcion rios NF o n mero de m quinas NM o volume de vendas do mesmo m s do ano anterior e o Produto Interno Bruto PIB Os resultados obtidos s o apresentados na tabela 8 Previs es Vendas Mensais Ano 2009 4 Par metros Back Propa N de Funcion rios N de M quinas Vendas do mesmo m s do Ano Anterior PB N de itera es de aprendizagem da rede 500000 N Elementos do Conjunto de Treino 60 N Elementos do Conjunto de Teste 5 ERRO M DIO ABSOLUTO milhares de euros ERRO M DIO ERRO M XIMO ABSOLUTO milhares de euros ERRO M XIMO ERRO M DIO QUADR TICO Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Learning Rate Learning Rate Learning Rate Learning Rate Learning Rate 0 5 109 400 118 600 92 000 109
11. ltiplas rvores como uma comiss o de peritos para classifica o Nas t cnicas de Data Mining discutidas anteriormente h situa es que favorecem um em rela o ao outro Al m disso cada m todo tem suas desvantagens Redes neuronais e rvores s o semelhantes na decis o sendo ambos classificadores O modelo classificador constru do e ent o utilizado para prever o futuro para a classe alvo dos dados n o tratados A vantagem das rvores de decis o sobre as redes neuronais que as regras de classifica o s o 25 Revis o Bibliogr fica lidas directamente a partir do modelo Muitos analistas de dados n o gostam da caixa negra do modelo constru do pelas redes neuronais Isto porque o resultado de um modelo de redes neuronais um conjunto de equa es de regress o linear tornando assim as raz es para a classifica o dif ceis de interpretar Os modelos de rvores de decis o s o mais r pidos de construir Pode demorar muito tempo para treinar uma rede neuronal N o obstante uma vez constru da a execu o de um modelo de rede neuronal pode ser mais r pido do que uma rvore de decis o Em termos de precis o os estudos revelaram que nenhum m todo necessariamente mais preciso que outro A precis o depende dos dados reais envolvidos Os algoritmos com regras de associa o depend ncia regra mostram concord ncia de vari veis Eles tendem a gerar muitas regras mais do que as rvores
12. o internacional e a concorr ncia est a criar um conjunto de desafios completamente novos Apesar do saud vel crescimento da popula o em muitos pa ses em desenvolvimento grande o n mero de jovens Revis o Bibliogr fica que entram no mercado de trabalho mas a concorr ncia de talentosos colaboradores por empregos continua a aumentar Grande parte dos executivos dos mercados emergentes esperam conseguir reter os seus melhores empregados mas esperam tamb m ter um crescimento mais dif cil durante os pr ximos tr s anos N o de estranhar neste contexto que a gest o das empresas considere cada vez mais estes novos talentos como uma fun o integrante do neg cio Estas s o algumas das principais conclus es de um programa de investiga o realizado pela Economist Intelligence Unit e patrocinado pela SAP Outras conclus es chave incluem o seguinte o d fice de compet ncias est a aumentar N o h falta de efectivos na maioria dos mercados emergentes mas h uma profunda preocupa o de que as suas habilita es poder o n o conseguir atingir os requisitos das empresas Grande parte dos executivos temem pelo crescente fosso entre as qualifica es dos talentos sa dos das universidades e o que as ind strias necessitam e acreditam que isso se ir agravar Muitos especialmente a R ssia e a ndia tamb m temem a perda dos seus talentos para empregos mais atraentes no exterior Embora as TI Tecno
13. ticas que auxiliam as empresas na tomada de decis es de forma mais oportuna Integra o de servi os Web oferece elevada capacidade de integra o minimizando a complexidade e o tempo de execu o dos servi os O processo de selec o de uma boa solu o empresarial como o caso de um ERP um grande investimento que pode oferecer s empresas benef cios excepcionais ou riscos dram ticos Quando executado correctamente pode agilizar processos ajudar a vis o empresarial e permitir s empresas melhor satisfazer a procura do mercado Quando mal executado os resultados podem variar de decepcionantes a devastadores A magnitude do risco que as empresas enfrentam ao adquirir uma solu o de software empresarial est fortemente associada com a qualidade e a imparcialidade da informa o utilizadas na sua avalia o e nos processos de selec o A selec o de um sistema ou servi o que melhor corresponda s necessidades da empresa requer v rios tipos de dilig ncias exige tempo e recursos que s o retirados do n cleo de opera es da organiza o O custo de um sistema empresarial de uma empresa come a assim muito antes de o vendedor deste ser seleccionado Todo o processo de selec o e implementa o de um sistema de BackOffice de uma pequena ou m dia empresa por exemplo pode demorar mais de seis meses Destes uma equipa despende entre tr s a quatro meses a realizar avalia es das necessidades intern
14. 18 05 09 23 05 09 EI Commercial Reports Report 25 05 09 13 06 09 E Figura 2 Mapa Gant do projecto Integra o de um M dulo Comercial no ERP jDx Introdu o 1 3 Motiva o e Objectivos O entendimento e a tentativa de dar resposta s necessidades actuais e futuras dos clientes da empresa Din mica s o a principal motiva o deste projecto A empresa Din mica j com v rios anos no mercado dos sistemas de informa o para pequenas e m dias empresas possu a em 2005 um bom produto fi vel que cumpria os potenciais requisitos dos clientes mas n o vendia tratava se de um produto orientado ao car cter Ap s uma profunda reflex o e depois de ouvir a opini o de v rios especialistas na rea de institui es de refer ncia optou se pelo desenvolvimento num conjunto de ferramentas do mundo Java A escolha recaiu no tri ngulo JBuilder Borland PostgreSgl Jasper Report iReport A quest o das ferramentas foi uma preocupa o fulcral porque em termos de an lise acreditamos estar bem no mercado que queremos atacar mercado da metalomec nica para empresas de pequena e m dia dimens o O principal objectivo deste projecto desenvolver um novo m dulo comercial utilizando as ltimas tecnologias presentes no mercado para substituir o sistema que actualmente comercializado pela Din mica Dinamix Este sistema est instalado no mercado desde 2000 e funciona no sistema operativo Twin Server Fra
15. 30 dias lt 60 dias lt 90 dias lt 30 dias lt 60 dias lt 90 dias 560 000 00 1 260 00 882 00 0 00 0 00 0 00 120 dias lt 180 dias gt 180 dias Total lt 120 dias lt 180 dias gt 180 dias Total 0 00 847 059 00 366 186 30 655 387 30 6 00 0 00 841 962 00 841 962 00 Encomendas de Clientes em Aberto Encomendas de Fornecedores em Aberto lt 15 dias lt 30 dias lt 60 dias lt 15 dias lt 30 dias lt 60 dias 0 00 1 750 00 11 949 30 0 00 0 00 2 135 00 lt 90 dias lt 180dias gt 180 dias Total lt 90 dias lt 180 dias gt 180 dias Total 350 00 2 189 43 9 210 00 25 448 73 148 20 432 34 16 585 99 19 301 53 Figura 12 Print Screen da execu o da classe BrowserQuadroBordo do projecto Uma explica o sum ria de como utilizar o m todo de aprendizagem de redes neuronais atrav s do algoritmo Back Propagation para prever as vendas mensais apresentada nos par grafos seguintes 36 Especifica o do M dulo Comercial ERP jDx vendas 2008 2007 0M Janeiro 563 865 50 530 518 20 6 29 deme 578 432 50 497 715 00 16 22 ara 525 871 00 575 322 50 8 60 Abril 635 023 50 511 234 00 2421 oie 611 255 50 537 520 00 1372 Junho 575 394 84 421 755 00 3643 TT 675 377 50 566 352 00 1325 Agosto 399 526 50 323 568 50 23 48 E 705 235 00 638 895 54
16. 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Figura 15 Par metro n de funcion rios de entrada da rede neuronal A evolu o do n mero de m quinas nesta empresa absolutamente vital sempre foi uma empresa que apostou em tecnologia tendo o n mero total de maquina no lay out fabril crescido at aos dias de hoje A figura seguinte representa a evolu o mensal de m quinas de Janeiro de 2005 a Dezembro de 2008 24x2 meses Evolu o Mensal de M quinas 50 45 40 Area de Desenho 35 30 25 4 Evolu o Mensal de M quinas 20 15 10 T T TT TT TT TT TT TT TT ot ot tt 123 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Figura 16 Par metro n de m quinas de entrada da rede neuronal O valor das vendas mensais anteriores do mesmo m s do ano anterior um bom par metro de aprendizagem uma vez que esse hist rico evidencia bem a sazonalidade das vendas por exemplo desde que a empresa foi constitu da o m s de Agosto sempre foi o mais fraco em termo de vendas Da mesma forma o ltimo trimestre de cada ano costuma ser um 39 Especifica o do M dulo Comercial ERP jDx bom per odo de vendas para a empresa A figura seguinte representa a evolu o mensal de vendas de Janeiro de 2005 a Dezembro de 2008 48 meses Hist rico Mensal de Vendas Jan2005 a Dez 2008 900 800 700 600 500
17. 800 0 5 36 432 38 510 30 703 35 288 0 5 203 000 202 000 177 000 186 000 0 5 75 185 74 815 65 556 68 889 0 5 0 00324 0 00241 0 00347 0 00280 0 6 64 200 79 800 70 000 90 800 0 6 18 407 25 196 23 764 30 184 0 6 106 000 132 000 167 000 178 000 0 6 39 259 48 889 61 852 57 235 0 6 0 00374 0 00351 0 00235 0 00256 0 7 87 400 112 400 72 000 108 200 0 7 29 086 35 200 23 725 34 652 0 7 168 000 188 000 136 000 187 000 0 7 62 222 69 630 50 370 69 259 0 7 0 00332 0 00431 0 00211 0 00293 0 8 76 800 82 800 64 200 139 400 0 8 25 888 25 730 17 219 45 247 0 8 155 000 126 000 123 000 267 000 0 8 57 407 46 667 32 593 85 852 0 8 0 00342 0 00219 0 00448 0 00280 Minimo 64 200 Maximo 139 400 Minimo 17 219 Maximo 45 247 Minimo 106 000 Maximo 267 000 Minimo 32 593 Maximo 85 352 Minimo 0 00211 Maximo 0 00443 M dia 92 363 M dia 29 702 M dia 168 313 Media 60 355 M dia 0 00310 Tabela 8 Resumo dos resultados obtidos em An lise 2 par metros NF NM V PIB As figuras 43 e 44 apresentam respectivamente o gr fico com o menor e o maior erro m dio absoluto obtido na fase de teste da rede neuronal 70 Implementa o Vendas Reais Previs o de Vendas Figura 43 Menor erro m dio absoluto em An lise 2 par metros NF NM V PIB Vend
18. Beltran Bel06 apresentou os resultados da classifica o de vinho tinto chileno considerando se as variedades Cabernet Sauvignon Merlot e Carmen r de diferentes vales anos e vinha A classifica o foi baseada em informa es contidas nos compostos fen licos Foram utilizadas diferentes transformadas incluindo a transformada de Fourier a transformada de Wavelet a classe de perfis de Fisher As transforma es foram analisadas em conjunto com v rios m todos de classifica o com redes neuronais No seu estudo foram analisados 172 vinhos tintos chilenos Foram obtidas 80 amostras de vinhos Cabernet Sauvignon 35 de Merlot e 57 de Carmem re cultivados em Maipo Rapel Curic Maule Itata e em vales da zona central do Chile entre os anos de 2000 e 2001 Foi utilizado o processo de valida o LOO Leave One Out nesse sentido foi deixada uma amostra de fora e o sistema de classifica o foi treinado usando as 171 amostras restantes Em seguida a amostra que foi deixada de fora foi apresentada ao classificador para determinar a que classe pertencia Foi assumido que este procedimento de classifica o era o melhor m todo a ser utilizado nos casos em que a quantidade de informa o era baixa como neste caso Para cada combina o de caracter sticas foram executados 172 33 Revis o Bibliogr fica testes Os melhores resultados foram obtidos quando se utilizou como m todo de extrac o o recurso combinado da tra
19. Chann Chang Chen Hao Liu Chin Yuan Fan Data Clustering and fuzzy neural network for sales forecasting A case study in printed circuit board industry 2009 R J Kuo K C Xue An intelligent sales forecasting system through integration of artificial neural network and fuzzy neural network 1998 79
20. Data Mining s o 18 Revis o Bibliogr fica Redes neuronais que s o modelos preditivos n o lineares que aprendem atrav s do treino e se assemelham a estruturas de redes biol gicas neuronais rvores de decis o que s o estruturas em forma de rvore que representam conjuntos de decis es Estas decis es podem gerar regras para a classifica o de um conjunto de dados As redes neuronais s o um dos ramos da intelig ncia artificial As redes neuronais s o maci amente utilizadas em processamento distribu do paralelamente que tem a propens o natural para armazenar conhecimento experimental e torn lo dispon vel para uso O processo de decis o das redes neuronais constitu do por duas fases aprendizagem e racioc nio Antes de uma decis o ser tomada as redes neuronais precisam de ser treinadas com avalia es anteriores como exemplo temos o algoritmo Back Propagation Durante a aprendizagem um exemplo de cada vez pode ser apresentado rede e propagado de forma a calcular os valores de sa da O erro entre os valores alvo calculado e determinado O erro formado por todos os registos ent o propagado atrav s da rede a fim de ajustar os pesos com o objectivo de reduzir o pr ximo erro A aprendizagem feita iterativamente atrav s do ajustar dos pesos at se atingir o erro m nimo aceit vel fixado anteriormente pelo utilizador Depois da aprendizagem o conhecimento para a tomada de decis
21. Enterprise Application Integration ERP Enterprise Resource Planning IT Information Technology iReport Gerador de relat rios da Jasper Reports JBuilder IDE Integrated Development Environment da Borland jDx ERP que a Din mica est a desenvolver mySAP Importante ERP presente no mercado Oracle Companhia de Sistemas de Informa o PostgreSql Motor de Base de dados Prologue Construtor Franc s de software e hardware KPI Standard Key Performance Indicators SAP Empresa de Sistemas de Informa o SCM Supply Chain Management SCOR Supply Chain Operations Reference SCM Sales and Operations Planning xi 1 Introdu o 1 1 Contexto Enquadramento No mercado global em que vivemos as empresas est o cada vez mais ligadas tanto internamente como externamente com outras empresas Tal facto justifica se pela necessidade de responder as exig ncias crescentes do mercado onde as empresas se v em obrigadas a reagir instantaneamente e adaptar se a qualquer altera o do mercado seja por exemplo quando um cliente coloca uma nova encomenda ou quando se regista um atraso na encomenda de um fornecedor Para responder de forma eficiente a estes novos requisitos os respons veis das empresas querem conhecer o impacto de tais eventos em cada parte do neg cio e como o neg cio se est a desenvolver em qualquer instante de tempo A empresa dever possuir sistemas de integra o para tornar isso poss vel Os ERP Enterprise Resource Planning
22. KDD Na figura 7 temos presente o processo KDD Inicialmente temos os dados de uma organiza o Estes dados s o os dados operacionais recolhidos em um ou mais locais Todos os dados operacionais recolhidos s o levados para uma localiza o central A transforma o dos dados resolve as incoer ncias entre os dados de um local a partir dos outros Por exemplo inconsist ncias podem ser as diferen as nos dados para o mesmo tipo de informa o de diferentes nomes de campos para os mesmos campos de dados Os dados detalhados s o utilizados para an lises padr o onde os dados resumidos podem ficar com os resultados das an lises anteriores Uma organiza o eficiente dos dados essencial para um eficiente Data Mining Quando os dados est o organizados um processo de selec o ocorre sempre que algum subconjunto de dados se torna dados de pesquisa ent o realizada uma an lise mais aprofundada importante ao criar este objectivo que os dados sejam do dom nio do analista e que sejam o que o utilizador final necessita s vezes os dados s o recolhidos de uma forma ad hoc Na introdu o de dados podem ocorrer erros e ou haver entradas em falta ou desconhecidas Durante a limpeza dos dados e na fase de pr processamento algum ru do removido a partir dos dados Uma vez que o objectivo encontrar padr es raros nos dados as anomalias podem ser representa es desses padr es raros Devem se tomar precau es
23. Taxa de Desemprego de entrada da rede neuronal Fonte TENE Dantas ve ca ataaais vase tae seahdened vate Rana Sha cman nas vata Da A sas cacSerea S Road ata sl Marth wast us 43 Figura 21 Par metro Evolu o de Pre os no Consumidor de entrada da rede neuronal Fonte UNE se econ case tenes ete co e eg cathe wot gates een te etch ta ER saat aa ee echt vce tna EE ana E EE 44 Figura 22 Relacionamento entre as tabelas de documentos comerciais do m dulo comercial do PTOJOC o D e458 va chr heeds das S To ao lusa LAR dad E DEP vga da IDA NOS A na 45 Figura 23 Arquitectura l gica do m dulo comercial do jDx 48 Figura 24 Perspectiva geral do JDX ccecescsesceseesseescesecaeeeeeesecaaeeseeseceaeeaecaesecaecaeeeneeaecaeeneeaees 49 Figura 25 Algumas funcionalidades do m dulo comercial jDx 50 Figura 26 Modelo de Arquitectura f sica do JDX e eeereraracenas 51 Figura 27 Arquitectura do Ds sais atra evel ia Asas paes RSRS da E IRA EI aloja 51 Figura 28 A chamada da classe BrowserQuadroBordo 54 Figura 29 Menor erro m dio absoluto em An lise 1 par metros NF PIB PIC TD 57 Figura 30 Maior erro m dio absoluto em An lise 1 par metros NF PIB PIC TD 57 Figura 31 Menor erro m dio absoluto em An lise 1 par metros NF NM V IPC 59 Figura 32 Maior erro m dio absoluto em An lise 1 par metros NF
24. V e a taxa de desemprego TD Os resultados obtidos s o apresentados na tabela 10 Previs es Vendas Mensais Ano 2009 4 Par metros Back Propa N de Funcion rios N de M quinas Vendas do mesmo m s do Ano Anterior Taxa de Desemprego N de itera es de aprendizagem da rede 500000 N Elementos do Conjunto de Treino 60 N Elementos do Conjunto de Teste 5 ERRO M DIO ABSOLUTO milhares de euros ERRO M DIO ERRO M XIMO ABSOLUTO milhares de euros ERRO M XIMO ERRO M DIO QUADR TICO Tabela 10 Resumo dos resultados obtidos em An lise 2 par metros NF NM V TD Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Learning Rate Learning Rate Learning Rate Learning Rate Learning Rate 0 5 71 000 57 400 108 600 135 000 0 5 23 369 14 541 34 427 42 856 0 5 139 000 128 000 170 000 237 000 0 5 51 481 26 667 62 963 87 778 0 5 0 00301 0 00253 0 00300 0 00290 0 6 122 200 84 800 92 400 77 400 0 6 36 984 26 066 30 037 24 924 0 6 206 000 138 000 168 000 139 000 0 6 76 296 51 111 54 019 51 481 0 6 0 00175 0 00374 0 00287 0 00239 0 7 98 600 87 600 68 800 64 800 0 7 31 550 29 384 19 356 19 963 0 7 169 000 175 000 95 000 113 000 0 7 62 593 56 270 35 185 41 852 0 7 0
25. artigos tais como designa o pre o de venda fotografia do produto etc Manuten o de Documentos Comerciais cria o modifica o supress o consulta dos v rios tipos de documentos comerciais Impress o de Documentos Comerciais listagem dos v rios documentos comerciais Relat rios Comerciais listagem dos v rios relat rios comerciais tais como resumo de factura o abc de vendas por refer ncia etc Quadro de Bordo da empresa quadro resumo das v rias partes sens veis gest o da empresa tais como factura o mensal comparativa do ano em curso com ano anterior e respectivos desvios encomendas de clientes e fornecedores em aberto por antiguidade contas correntes de clientes e fornecedores por antiguidade etc Previs o mensal de Vendas Utilizando o m todo de aprendizagem de redes neuronais Back Propagation A calendariza o do projecto apresentada na figura 2 i GanttProject Commercial Module jDx gan Project Edit View Tasks Resources Help I BE OO m Re araa Bh e tg Gantt 6 Resources ITR March 2009 April 2009 May 2009 Thesis Report 02 02 09 13 06 09 Commercial Integration in jDx Invest 02 02 09 28 02 09 EA Integration Study with Logistics Module 02 03 09 04 04 09 _ File Layout Analysis PostgreSQL 06 04 09 11 04 09 j E Commercial Documents Maintenance 13 04 09 16 05 09 EEE Commercial Documents Reedition
26. as a arquitectura ou modelo o algoritmo de aprendizagem e as fun es de activa o Fau94 As redes neurais s o programadas ou treinadas para armazenar reconhecer e associar e obter padr es ou entradas de bases de dados para resolver problemas de optimiza o combinat ria para filtrar o ru do da medi o de dados para controlar problemas indefinidos em resumo para estimar fun es de amostragem quando n o sabemos a forma dessas fun es S o precisamente estas duas habilidades padr o de reconhecimento e a fun o de estimativa que tornam as redes neuronais t o teis em Data Mining 2 5 3 Redes neuronais As redes neuronais tentam solucionar problemas simulando a actividade do c rebro humano e procurando obter conhecimento atrav s da experi ncia As redes neuronais possuem n s ou unidades de processamento denominadas neur nios Cada neur nio possui conex es para outros neur nios para os quais envia e dos quais recebe sinais informa es Existem tamb m conex es entre os neur nios com um valor associado que 26 Revis o Bibliogr fica determina o peso da liga o entre eles isto qu o forte ou fraca a influ ncia de um neur nio sobre o outro A rede neuronal pode apresentar diferentes topologias de acordo com a estrutura das liga es entre os neur nios Rede totalmente conectada Cada um dos neur nios liga se a todos os outros neur nios da rede Rede de camada nica A
27. back propagation Os n s sombreados da figura s o unidades de transforma o As setas de conex o entre as diferentes unidades representam pesos O algoritmo de aprendizagem back propagation formulado como uma pesquisa no espa o do padr o de pesos W a fim de encontrar uma 27 Revis o Bibliogr fica configura o ptima W o que minimiza uma fun o de erro ou de custo E W O padr o de pesos determina como a rede ir responder a qualquer entrada arbitr ria O erro ou custo da fun o definida assim E 0D0 2 as i ie Esta fun o compara um valor de sa da Oip para um valor desejado tip a partir dos vectores p que t m conhecimento e das unidades de saida i O m todo do gradiente de descida utilizado para procurar o m nimo deste erro atrav s da fun o iterativa W k D W k nVE onde 1 a taxa de aprendizagem e V E uma estimativa do gradiente de E em rela o a W H j muitos anos muitas empresas est o a tentar automatizar os processos de tomada de decis o atrav s da aplica o de ferramentas anal ticas Estas incluem t cnicas inteligentes de que s o um exemplo as redes neuronais Est provado que estas t cnicas s o bastante eficazes para aprendizagem de conhecimento atrav s da experi ncia Por estes motivos l deres de empresas como a IBM Microsoft Siemens etc usam redes neuronais para as suas tomadas de decis o Apesar de as redes neuronais serem excelentes n
28. de decis o A vantagem que estes algoritmos nos d o a capacidade de encontrar padr es de dados raros e menos bvios importante que os algoritmos de Data Mining n o sejam utilizados de forma ad hoc O receio que ao faz lo se possam descobrir padr es sem significado Na verdade houve um tempo em que KDD na comunidade estat stica era considerado de m reputa o Tamb m temos de ser cuidadosos quanto forma como interpretar os padr es que nos s o apresentados pelos algoritmos de Data Mining o c rebro humano que serve de modelo topologia e din micas para as redes neuronais artificiais Kos92 As redes neuronais t m se desenvolvido a partir de princ pios biol gicos neuronais McCulloch e Pitts MP93 propuseram o neur nio como um dispositivo bin rio em tempo discreto Os neur nios s o agora conhecidos por serem mais complicados do que este modelo que opera em tempo cont nuo e realizar fun es n o lineares Comparando aos computadores os neur nios s o bastante mais lentos com uma velocidade de cerca de 100 metros segundo Rip96 Para compensar esta falta de velocidade o c rebro humano altamente distribu do e massivamente paralelo Rip96 Como processos paralelos o c rebro humano insuper vel O padr o de conex es entre os neur nios revela se um modelo ideal para a arquitectura de uma rede neuronal Fau94 As redes neuronais s o essencialmente compostas por tr s pe
29. de treino aquele que rotula o n Cada valor do atributo aponta para um n filho Os n s tornam se folhas quando o seu maior atributo medido classifica todos os exemplos de treino desse n ou todos os atributos tenham rotulado n s Na Figura 9 Ai fica com um atributo ou vari vel do conjunto de dados onde Vij s o os valores espec ficos do algoritmo da rvore de decis o encontrados como bons para esse atributo A entrada para uma rvore de decis o um conjunto de exemplos de treino Os exemplos de treino s o os registos a partir de um conjunto de dados onde um atributo a vari vel alvo est correctamente classificado Na Figura 9 a forma o de exemplos foi classificada com os valores sim ou n o O algoritmo da rvore aprende e generaliza esta classifica o e portanto pode classificar exemplos ainda n o vistos Um dos inconvenientes das rvores de decis o que elas podem tender analisar em excesso os dados Diferentes algoritmos utilizam diferentes m todos de an lise de rvores para compensar isso Cada caminho na rvore representa um conjunto de atributos A rvore uma disjun o de cada caminho conjuntivo Pode haver muitas rvores de decis o que podem descrever um determinado conjunto de testes Habitualmente um algoritmo de uma rvore de decis o pode gerar m ltiplas rvores e recomendar a rvore mais rigorosa como um classificador Outro m todo para decidir entre rvores a utiliza o destas m
30. lise 2 par metros NF NM V S Lista de Tabelas Tabela 1 Resumo dos resultados obtidos em An lise 1 par metros NF PIB IPC TD 56 Tabela 2 Resumo dos resultados obtidos em An lise 1 par metros NF NM V IPC 58 Tabela 3 Resumo dos resultados obtidos em An lise 1 par metros NF NM V PIB 60 Tabela 4 Resumo dos resultados obtidos em An lise 1 par metros NF NM V S 62 Tabela 5 Resumo dos resultados obtidos em An lise 1 par metros NF NM V TD 64 Tabela 6 Resumo dos resultados obtidos em An lise 2 par metros NF PIB IPC TD 66 Tabela 7 Resumo dos resultados obtidos em An lise 2 par metros NF NM V IPC 68 Tabela 8 Resumo dos resultados obtidos em An lise 2 par metros NF NM V PIB 70 Tabela 9 Resumo dos resultados obtidos em An lise 2 par metros NF NM V S 72 Tabela 10 Resumo dos resultados obtidos em An lise 2 par metros NF NM V TD 74 Abreviaturas e Simbolos ABAL Advanced Business Application Language da Prologue BI Business Intelligence CCM Continuous Controls Monitoring CRM Customer Relationship Management Data Mining E 0 processo de extrair padr es ocultos de dados DBMS Database Management System Dialogue3 Sistema de Gest o de Base de Dados da Prologue Dinamica Micro Empresa Dinamix ERP desenvolvido pela Din mica EAI
31. marketing e opera es Esta a raz o pela qual um poderoso sistema SOP pode fazer a diferen a entre o sucesso e o fracasso de um ciclo SOP planeamento de vendas Os sistemas SOP s o muito teis para quadros superiores uma vez que permitem uma vis o geral da sa de de toda a organiza o Com as suas representa es gr ficas e dashboards um sistema SOP actualmente um instrumento indispens vel para qualquer empresa O mercado de software est se a tornar cada vez mais competitivo o que est a ter um efeito positivo sobre os produtos SOP dispon veis Hoje os sistemas SOP possuem muitos recursos avan ados como data flows em tempo real e interfaces de utilizador muito intuitivas H uns anos atr s muitos recursos como estes eram considerados desej veis mas hoje eles s o essenciais Al m disso os fornecedores t m racionalizado os seus produtos para que as implementa es sejam cada vez mais f ceis fazendo com que uma aplica o SOP seja mais atraente Hoje a implementa o de uma t pica aplica o SOP supondo que a empresa j disp e de um ERP um SCM e ferramentas de BI deve demorar cerca de tr s meses Standard Key Performance Indicators e m tricas j constru das num sistema SOP s o um recurso muito til que oferece benef cios bvios para qualquer empresa KPIs e m tricas podem ser baseadas em modelos populares como o modelo Supply Chain Operations Reference SCOR e podem reduzir drast
32. negociar com os fornecedores e da sua capacidade de se adaptar s exig ncias dos clientes quer ao n vel do produto final quer nos prazos de entrega dos mesmos Numa sociedade sem tempo em que as pessoas t m acesso a um lote variado de servi os torna se dif cil identificar as necessidades de cada cliente recordar o seu passado interac es ou inferir os seus desejos com base em perfis Na sua an lise Anderson e Kerr AK01 descreve o relacionamento com os clientes como um sistema integrado de gest o com foco no cliente constitu do por um conjunto de procedimentos e processos organizados e integrados num modelo de gest o de neg cios Os tempos e os mercados est o a mudar na ind stria e especialmente para a distribui o do neg cio Quais s o os factores importantes para executar o neg cio da rede de sucesso neste ambiente Por um lado h os impactos do mercado as regras do mercado a quota de mercado os pre os de energia e de servi os Estes impactos determinam as receitas e a distribui o de Revis o Bibliogr fica uma grande empresa Por isso as empresas t m de reduzir os seus custos se querem aumentar a rentabilidade dos seus neg cios Isso significa que t m de incidir sobre o investimento para a manuten o dos seus activos ao mesmo tempo naturalmente t m de garantir a qualidade dos seus servi os Dever o ser tamb m tomadas medidas de curto prazo para reduzir os custos de manuten o e opera
33. nos n s e nos pesos das liga es Uma rede pode ter uma ou mais camadas escondidas O n mero de n s na camada oculta determinado atrav s de experi ncias N s em demasia pode levar satura o e poucos n s reduzem a precis o da classifica o O resultado da classifica o a sa da de um n na camada de sa da A camada de sa da pode ter um ou mais n s Tipicamente existe um n de sa da para cada classe A cada liga o atribu do um peso inicial aleat rio usado na forma o e que pode ser modificado no processo de aprendizagem O peso inicial atribu do aos n s escondidos e na camada de sa da A classifica o relativa forma o do conjunto conhecido a priori e utilizado para afinar a rede para registos semelhantes no futuro O somat rio dos pesos de activa o e respectivas fun es s o aplicados em cada n das camadas ocultas e das de sa da at uma sa da ser gerada Compara se a sa da com a sa da esperada para a forma o dos ensaios Se as sa das n o corresponderem volta se s camadas e modifica se os pesos das liga es processo de Back Propagation Executa se a pr xima amostra com o mesmo processo Os pesos ir o convergir e o processo p ra 2 5 3 1 Redes Neuronais Exemplos de Aplica o 31 Revis o Bibliogr fica O estudo realizado por Alexey Zorin Zor03 indica que uma rede neuronal capaz de captar as rela es na evolu o dos pre os ao longo do temp
34. o tamb m tempo para pensar em novos conceitos para o investimento A base para esses novos conceitos uma apertada rela o entre o mundo dos custos e de informa o contabil stica e o mundo dos objectos t cnicos Esta liga o uma caracter stica fundamental para qualquer decis o de investimento ou de manuten o t cnica A gest o de activos e de trabalho de gest o t m de ser um sistema integrado Por outro lado importante olhar para todo o ciclo de vida dos activos do planeamento e concep o de opera o e manuten o Para garantir a sa de a longo prazo dos bens as empresas t m de considerar esses ciclos de vida dos activos e dos custos associados ao risco como uma vis o integrada O risco baseado em optimiza o de recursos requer a utiliza o de sistemas de informa o e ferramentas de an lise poderosas Estas estrat gias de manuten o tais como a utiliza o de vers es iguais instaladas em clientes sendo os upgrades feitos via Net para todos versus uma manuten o dedicada cliente a cliente mais onerosa mas mais eficiente exigem informa es detalhadas sobre o estado real dos activos Como a maioria dos activos pertencem a uma infra estrutura distribu da aplica es m veis suportam o apoio recolha dos dados necess rios Comparando com o suporte em papel a recolha de dados com dispositivos m veis n o s muito mais eficiente como tamb m origina menos erros pois os dados s
35. o Nesta sec o apresentado o conceito de Sistemas de Informa o nas empresas real ando o papel fundamental que estes desempenham no mercado actual descrito um sistema ERP Enterprise Resource Planning apresentando os principais m dulos constituintes de um ERP enumerando as suas principais caracter sticas e vantagens Ser ainda analisado SAP Systeme Anwendungen Produkte do alem o Sistemas Aplica es e Produtos como um dos principais ERP s presentes no mercado Como tecnologias utiliz veis s o analisadas alternativas para tecnologias Java como linguagem de programa o PostgreSgl como motor de bases de dados e relat rios iReport como gerador de relat rios S o analisadas e discutidas as vantagens e desvantagens de tais alternativas O PostgreSgl um dos resultados de uma ampla evolu o que se iniciou com o projecto Ingres desenvolvido na Universidade de Berkeley Calif rnia O l der do projecto Michael Stonebraker um dos pioneiros das bases de dados relacionais deixou a universidade em 1982 para comercializar o Ingres por m retornou a ela logo em seguida Ap s o seu regresso a Berkeley em 1985 Stonebraker come ou um projecto p s Ingres com o objectivo de resolver problemas com o modelo de base de dados relacional O principal problema era a incapacidade do modelo relacional compreender tipos actualmente chamados de objectos ou seja combina es de dados simples que formam uma nica u
36. o e Objectivos nrin aa A E EO A E A cas UTEIS Soap cla 4 1 4 Estrutura da Dissertaca0 cccccccccscccssceceseceessecsescesesceceeeeessecsesaecseaseceseeeesaecsesaeceeeeeees 4 2 Revis o BibliOSPalica ss sssssesssessesesssesvvasessssvassvedsessesess sons snadoosesecosedienvecddeseseoesscevecssasesosesbestee 5 2 1 Introdu o 4 as srs penais es eases old abate I Nae aa Rd CU USO awa co CO dado 5 2 2 Novas necessidades do mercado 0 ccccsscesseesceesteceeceseceseceseeseeeeseeeeaeeeseesaeenseeeeesaeenes 6 2 3 Tecnologias da Informa o nas Empresas ccccccesccessceesceeeeeeceeeseeeeeeseeesaeenseeneeeaeees 7 2 40 ERPE SCM sitios aae elea tasAmi SA pas S EaR oC ean at deisel nena 8 241 Planeamento de Opera es e Vendas ccccceseesseeetecetecetecsecseeeeeeeeeeeeeeeeeseeesees 11 2 4 2 Casos de estudo de ERPs existentes eee eereeeecerererereranerareraneea 13 25 D ta MINDE n entieri RAL REAR 20 shad AT OS ER 15 2 5 1 KDD ENEE E hatchet bet aiiaithst E Load added aed ete eae ee 21 215 2 Regras de Associa o seren toe oiran io R aa eE T a TE O T TRE A 24 2 5 3 REdeS NCUTONAIS tesoriere a e EEEE EEE T cakde queda veio cantiga Dea 26 2 5 3 1 Redes Neuronais Exemplos de Aplica o 31 20 FCon S ESL iza de ass aa a raia aaa A ESTREIA AD A VA A UE a 34 3 Especifica o do M dulo Comercial ERP jDX csscssscssssssssscssssscssccesssessecsssseesseees 35 3 1 Descri o do Problema ass sted dasasvers Sav
37. procurar solu es integra das S a partir deste momento podemos come ar a conversar sobre ERPs Enterprise Resour ce Planning no mercado das pequenas e m dias empresas industriais O principal objectivo deste projecto foi o de substituir o m dulo comercial do ERP da Din mica com as ltimas tecnologias presentes no mercado Java PostgreSgl de forma a dar um grande salto qualitativo no sistema quer em termos tecnol gicos quer em termos de usabi lidade Naturalmente estas motiva es e objectivos obrigaram a uma profunda revolu o nos h bitos de desenvolvimento de c digo e utiliza o das tecnologias ao dispor N o nos podemos esquecer que o actual ERP da Din mica est no mercado desde o in cio da d cada Sem d vida que o m dulo comercial do ERP est bem diferente do seu antecessor para melhor a todos os n veis nas tecnologias desenvolvidas no aspecto gr fico de todo o sofware e na facilidade e intuitividade de utiliza o do mesmo A utiliza o do m todo de redes neuronais Back Propagation com o objectivo de prever volume de vendas baseado em par metros de entrada bem definidos e no hist rico de vendas na aprendizagem da rede veio trazer valor acrescentado ao ERP e ajudar a distingui lo da concor r ncia ser sem d vida um excelente argumento de venda iii Abstract The increasing competitiveness of the market and the consequent requirement of informa tion systems in the compan
38. reter os requisitos que s o mais cruciais para a empresa e assegurar respostas honestas desses candidatos Os analistas da ind stria por outro lado devem incentivar a investiga o em profundidade sugerindo a selec o de equipas adquirindo guias e revistas industriais frequentando feiras e entrando em contacto com empresas associadas e associa es industriais para preencher a lacuna do conhecimento 10 Revis o Bibliogr fica Estas abordagens podem resultar em mais tempo gasto longe do n cleo de opera es e n o garantem qualidade e informa o imparcial O risco do mau acompanhamento de solu es est ainda presente As organiza es n o devem sacrificar a qualidade da informa o Em vez disso devem retirar as ac es que n o criam valor e racionalizar as que criam 2 4 1 Planeamento de Opera es e Vendas O Planeamento de opera es e vendas cuja designa o inglesa Sales and Operations Planning SOP das fun es mais cr ticas que uma empresa deve realizar tem efeitos em v rios departamentos e tem o potencial de influenciar directamente os lucros da empresa Um departamento que utiliza SOP com sucesso harmoniza as actividades dos diferentes departamentos um desafio encontrar uma ferramenta eficaz que consiga mesclar os dados de diferentes sistemas para criar uma imagem coerente da empresa SOP um sistema utilizado pelos mais importantes departamentos de uma empresa finan as vendas
39. usando Redes Neuronais O sistema desenvolvido inclui uma funcionalidade adicional de relevante import ncia que um m dulo de previs o de vendas mensais do cliente Esta previs o efectuada a partir de um hist rico de vendas e de um conjunto de par metros bem definido n mero de empregados da empresa n mero de m quinas stock no fim do m s anterior valor de vendas no mesmo m s do ano anterior produto interno bruto taxa de desemprego e ndice de pre os no consumidor utilizando redes neuronais com o algoritmo Back Propagation A figura seguinte apresenta a informa o on line presente no quadro de bordo comercial i Quadro de Bordo Quadro de Bordo em 2009 5 17 vendas Vendas Semanais Guias Remessa n o Facturadas 2008 2007 Janeiro 563 865 50 530 518 20 629 2009 5 11 4 573 37 rnae 578 432 50 497 715 00 16 22 2009 5 12 Mar o 525 871 00 _575 322 50 8 0 2009 5 13 Abril 635 023 50 _511 234 00 2421 E a maio 611 255 50 537 520 00 1322 2009 5 15 Junho 575 394 84 421 755 00 3643 2009 5 16 Julho 675 377 50 566 352 00 1925 2009 5 17 Agosto 399 526 50 _323 568 50 2348 Setembro 705 235 00 638 895 54 10 38 aaao 796 330 60 748 056 50 Novembro 688 786 00 65489949 Dezemien 705 925 50 685 282 50 Imprimir rorais _7 461 023 94 669111925 Conta Corrente de Clientes Conta Corrente de Fornecedores
40. 00166 M dia QUADR TICO 0 3 0 00351 0 00437 0 00444 0 00505 M ximo 0 00387 0 4 0 00348 0 00186 0 00196 0 00166 0 00605 Tabela 6 Resumo dos resultados obtidos em An lise 2 par metros NF PIB IPC TD As figuras 39 e 40 apresentam respectivamente o gr fico com o menor e o maior erro m dio absoluto obtido na fase de teste da rede neuronal 66 Implementa o Vendas Reais Previs o de Vendas Figura 39 Menor erro m dio absoluto em An lise 2 par metros NF PIB IPC TD Vendas Reais Previs o de Vendas 9 9 Oo Oo PP SS SS ES 9 AS xX xX xX D A A O a AS Ws Figura 40 Maior erro m dio absoluto em An lise 2 par metros NF PIB IPC TD 67 Implementa o Em seguida foram ensaiados como par metros de entrada o n mero de funcion rios NF o n mero de m quinas NM o volume de vendas do mesmo m s do ano anterior V e o Indice de Pre os no Consumidor IPC A tabela 7 apresenta os resultados obtidos Previs es Vendas Mensais Ano 2009 4 Par metros Back Propa N de Funcion rios N de M quinas Vendas do mesmo m s do Ano Anterior LP C Ni de itera es de aprendizagem da rede 500000 N Elementos do Conjunto de Treino 60 N Elementos do Conjunto de Teste 5 ERRO M DIO ABSOLUTO milhares de euros ERRO M DIO ERRO M XIMO ABSOLUTO milhares de euros ERRO M XIMO ERRO M DIO QUADR TICO Momentum
41. 00495 0 00313 0 00392 0 00259 0 8 140 200 82 000 60 800 70 600 0 8 45 486 25 370 12 932 20 706 0 8 273 000 158 000 173 000 140 000 0 8 101 111 58 519 28 039 45 016 0 8 0 00311 0 00372 0 00385 0 00397 Minimo 57 400 Maximo 140 200 Minimo 12 932 Maximo 45 436 Minimo 95 000 Maximo 273 000 Minimo 26 667 Maximo 101 111 Minimo 0 00175 M ximo 0 00495 M dia 88 888 Media 27 372 M dia 163 813 M dia 55 649 M dia 0 00321 As figuras 47 e 48 apresentam respectivamente o gr fico com o menor e o maior erro m dio absoluto obtido na fase de teste da rede neuronal 74 Implementa o Vendas Reais Previs o de Vendas Figura 47 Menor erro m dio absoluto em An lise 2 par metros NF NM V TD Vendas Reais Previs o de Vendas Figura 48 Maior erro m dio absoluto em An lise 2 par metros NF NM V TD 75 Implementa o 4 4 Conclus es Os testes exaustivos realizados para as previs es de 2008 e de 2009 apontam no sentido de este m todo ser aplic vel na previs o de vendas com erros m dios e m ximos aceit veis para este tipo de neg cio Ser natural que medida que a rede tenha mais dados para a sua aprendizagem que estes erros venham a decrescer No entanto erros m dios na ordem dos 13 como os obtidos nas previs es de 2008 podem ser considerados altamente encorajadores para trabalhos futuros
42. 1 5 584 16 918 M ximo 13 739 0 4 26 148 7 923 16 922 20 318 26 148 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 441 000 121 000 290 000 212 000 Minimo ERRO MAXIMO 0 2 173 000 277 000 99 000 130 000 92 000 M dia ABSOLUTO 0 3 427 000 188 000 92 000 288 000 Maximo 237 063 milhares de euros 0 4 383 000 143 000 171 000 358 000 441 000 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 74 619 46 774 46 624 52 475 Minimo ERRO M XIMO 0 2 27 504 68 564 20 886 30 108 14 791 M dia 0 3 81 801 59 677 14 791 55 172 M ximo 59 050 0 4 205 914 26 190 73 118 60 575 205 914 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 0 00204 0 00380 0 00167 0 00179 Minimo ERRO MEDIO 0 2 0 00302 0 00161 0 00119 0 00122 0 00119 M dia QUADR TICO 0 3 0 00196 0 00215 0 00145 0 00228 M ximo 0 00221 0 4 0 00335 0 00169 0 00250 0 00363 0 00330 Tabela 4 Resumo dos resultados obtidos em An lise 1 par metros NF NM V S As figuras 35 e 36 apresentam respectivamente o gr fico com o menor e o maior erro m dio absoluto obtido na fase de teste da rede neuronal 62 Implementa o Vendas Reais Previs o de Vendas Figura 35 Menor erro m dio absoluto em An lise par metros NF NM V S Vendas Reais Previs o de Vendas Figura 36 Maior erro m dio absoluto em An lise 1 par metros NF NM V S 63 Implementa o Por fim para as previs es de 2008 foram ensaiados como par metros de entrada n mero de funcion rios
43. 44 0 00251 0 00362 0 00402 0 8 78 750 45 250 92 500 121 917 0 8 14 701 9 144 17 903 23 536 0 8 317 000 135 000 257 000 244 000 0 8 66 878 33 416 43 486 44 689 0 8 0 00149 0 00451 0 00382 0 00402 Minimo 39 167 Maximo 135 500 Minimo 9 132 Maximo 29 572 Minimo 124 000 Maximo 381 000 Minimo 24 505 Maximo 204 839 Minimo 0 00123 Maximo 0 00451 M dia 71 948 M dia 16 209 M dia 211 375 M dia 62 164 M dia 0 00304 Tabela 5 Resumo dos resultados obtidos em An lise 1 par metros NF NM V TD As figuras 37 e 38 apresentam respectivamente o gr fico com o menor e o maior erro m dio absoluto obtido na fase de teste da rede neuronal 64 Implementa o Vendas Reais Previs o de Vendas S SP PS X X V YY L NC D Figura 37 Menor erro m dio absoluto em An lise 1 par metros NF NM V TD Vendas Reais Previs o de Vendas Figura 38 Maior erro m dio absoluto em An lise 1 par metros NF NM V TD 65 Implementa o An lise 2 Nesta an lise foram utilizados 60 meses de hist rico 2004 a 2008 na aprendizagem da rede para prever as vendas dos 5 primeiros meses de 2009 Foram seleccionados os mesmos par metros da an lise anterior tendo se come ado por escolher inicialmente os 4 seguintes n mero de funcion rios NF Produto Interno Bruto PIB ndice de Pre os no Consumid
44. 5 926 63 987 70 370 0 6 0 00258 0 00296 0 00301 0 00301 0 7 81 800 123 200 117 800 59 400 0 7 22 933 38 210 38 339 17 251 0 7 131 000 197 000 217 000 119 000 0 7 41 111 72 963 69 775 38 264 0 7 0 00328 0 00381 0 00301 0 00302 0 8 98 800 85 000 105 400 34 800 0 8 31 872 27 286 35 036 10 325 0 8 178 000 153 000 190 000 65 000 0 8 65 926 56 667 70 370 24 074 0 8 0 00388 0 00381 0 00301 0 00301 Minimo 23 000 Maximo 123 200 Minimo 7 641 Maximo 38 339 Minimo 65 000 Maximo 217 000 Minimo 24 074 Maximo 72 963 Minimo 0 00258 M ximo 0 00388 M dia M dia 27 452 M dia 161 375 M dia 57 072 M dia 0 00317 Tabela 9 Resumo dos resultados obtidos em An lise 2 par metros NF NM V S As figuras 45 e 46 apresentam respectivamente o gr fico com o menor e o maior erro m dio absoluto obtido na fase de teste da rede neuronal 72 Implementa o Vendas Reais Previs o de Vendas Figura 45 Menor erro m dio absoluto em An lise 2 par metros NF NM V S Vendas Reais Previs o de Vendas Figura 46 Maior erro m dio absoluto em An lise 2 par metros NF NM V S 73 Implementa o Por fim para as previs es de 2008 foram ensaiados com os par metros de entrada n mero de funcion rios NF n mero de m quinas NM volume de vendas do mesmo m s do ano anterior
45. 570 40 354 14 851 M dia 0 3 20 675 55 376 30 952 27 957 M ximo 40 611 0 4 81 107 73 810 100 211 36 379 100 211 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 0 00374 0 00366 0 00366 0 00318 Minimo ERRO MEDIO 0 2 0 00307 0 00490 0 00333 0 00451 0 00248 M dia QUADR TICO 0 3 0 00248 0 00248 0 00394 0 00516 Maximo 0 00369 0 4 0 00326 0 00460 0 00250 0 00459 0 00516 Tabela 1 Resumo dos resultados obtidos em An lise 1 par metros NF PIB IPC TD A figura 29 e a figura 30 representam respectivamente o grafico com o menor e o maior erro m dio absoluto obtido na fase de teste da rede neuronal previs o das vendas mensais entre Janeiro de 2008 e Dezembro de 2008 56 Implementa o Vendas Reais Previs o de Vendas b amp PSP gt A we we amp amp 30 we Figura 29 Menor erro m dio absoluto em An lise 1 par metros NF PIB PIC TD Vendas Reais Previs o de Vendas Figura 30 Maior erro m dio absoluto em An lise 1 par metros NF PIB PIC TD 57 Implementa o De seguida foram ensaiados como par metros de entrada os seguintes n mero de funcion rios NF n mero de m quinas NM volume de vendas do mesmo m s do ano anterior V e ndice de Pre os no Consumidor IPC Os resultados obtidos s o apresentados na tabela 2 Previs es Vendas Mensais Ano 2008 4 Par metros Back Propa N de Funcion rios N de M quinas Vendas do mesmo m s do Ano Anter
46. FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO Integra o de um modulo comercial no ERP jDx Jo o Luis Carvalho Pereira VERSAO DEFINITIVA Relat rio de Projecto Mestrado Integrado em Engenharia Inform tica e Computa o Orientador Ana Paula Rocha Professor Auxiliar Julho de 2009 Integra o de um m dulo comercial no ERP jDx Jo o Luis Carvalho Pereira Relat rio de Projecto Mestrado Integrado em Engenharia Inform tica e Computa o Aprovado em provas p blicas pelo J ri Presidente Maria Teresa Galv o Professor Auxiliar Arguente Orlando Manuel Oliveira Belo Professor Associado Vogal Orlando Manuel Oliveira Belo Professor Associado 31 de Julho de 2009 Resumo A crescente competitividade do mercado e consequente exig ncia dos sistemas de informa o presentes nas empresas obrigou a uma altera o significativa no software empresarial ten do se verificado que desde meados da d cada de 80 aproximadamente at meados da d cada de 90 grandes empresas industriais optaram por ter os seus sistemas de computadores orientada em dois O sistema industrial de um lado e os Administrativo Financeiro do outro Esta maneira de ver as coisas tinha motivos bvios a n o dissecar partida era ineficiente porque implicava um n vel de redund ncia de dados e isolava a informa o que obviamente n o devia ser sepa rada Desde ent o a situa o mudou e os empres rios come aram a
47. M V PIB As figuras 33 e 34 apresentam respectivamente o gr fico com o menor e o maior erro m dio absoluto obtido na fase de teste da rede neuronal 60 Implementa o Vendas Reais Previs o de Vendas Figura 33 Menor erro m dio absoluto em An lise 1 par metros NF NM V PIB Vendas Reais Previs o de Vendas Figura 34 Maior erro m dio absoluto em An lise 1 par metros NF NM V PIB 61 Implementa o Em seguida foram ensaiados como par metros de entrada o n mero de funcion rios NF o n mero de m quinas NM o volume de vendas do mesmo m s do ano anterior V e o valor do stock do m s anterior S A tabela seguinte tabela X apresenta os resultados obtidos Previs es Vendas Mensais Ano 2008 4 Par metros Back Propa N de Funcion rios N de M quinas Vendas do mesmo m s do Ano Anterior Stock Fim do M s Anterior N de itera es de aprendizagem da rede 500000 N Elementos do Conjunto de Treino 48 N Elementos do Conjunto de Teste 12 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 72 833 62 917 58 750 66 083 M nimo ERRO M DIO 0 2 89 083 58 500 24 500 36 583 24 500 M dia ABSOLUTO 0 3 79 583 43 500 28 750 90 333 M ximo 62 583 milhares de euros 0 4 76 333 42 833 63 833 106 917 106 917 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 12 926 14 443 11 210 15 076 M nimo ERRO M DIO 0 2 16 521 13 208 5 020 8 313 5 020 M dia 0 3 16 930 12 36
48. NM V IPC 59 Figura 33 Menor erro m dio absoluto em An lise 1 par metros NF NM V PIB 61 Figura 34 Maior erro m dio absoluto em An lise 1 par metros NF NM V PIB 61 Figura 35 Menor erro m dio absoluto em An lise 1 par metros NF NM V S 63 Figura 36 Maior erro m dio absoluto em An lise 1 par metros NF NM V S 63 Figura 37 Menor erro m dio absoluto em An lise 1 par metros NF NM V TD 65 Figura 38 Maior erro m dio absoluto em An lise 1 par metros NF NM V TD 65 Figura 39 Menor erro m dio absoluto em An lise 2 par metros NF PIB PC TD 67 viii Figura 40 Figura 41 Figura 42 Figura 43 Figura 44 Figura 45 Figura 46 Figura 47 Figura 48 Maior erro m dio absoluto em An lise 2 par metros NF PI Menor erro m dio absoluto em An lise 2 par metros NF N Menor erro m dio absoluto em An lise 2 par metros NF N Menor erro m dio absoluto em An lise 2 par metros NF N Menor erro m dio absoluto em An lise 2 par metros NF N IX B PC TD M VIIPC Maior erro m dio absoluto em An lise 2 par metros NF NM V IPC M V PIB Maior erro m dio absoluto em An lise 2 par metros NF NM V PIB MINIS cesar Maior erro m dio absoluto em An
49. a s o fundamentais para garantir a qualidade dos resultados de previs o da rede Ap s algumas semanas de uma certa indecis o nos par metros a escolher para a rede foram seleccionados quatro par metros considerados fundamentais o n mero de funcion rios o n mero de m quinas do layout fabril o valor de vendas do mesmo m s do ano anterior e o valor em stock no final do m s anterior A escolha destes par metros resulta de um conhecimento profundo da empresa em quest o na qual o autor presta servi os de consultoria desde 1998 No sentido de efectuar testes comparativos que auxiliassem na determina o do melhor conjunto de par metros a considerar na previs o das vendas mensais incluiu se mais tr s outros par metros que foram sendo alternados nos diferentes testes a evolu o do produto interno bruto a taxa de desemprego e o ndice de pre os no consumidor Estes tr s valores tiveram como fonte o Instituto Nacional de Estat stica A evolu o de funcion rios nesta empresa tem sido tendencialmente crescente at 2007 a partir da t m se mantido A figura seguinte Figura 15 apresenta a evolu o mensal do n mero de funcion rios da empresa para os meses compreendidos entre Janeiro de 2005 e Dezembro de 2008 38 Especifica o do M dulo Comercial ERP jDx Evolu o Mensal de Funcion rios 69 68 67 4 66 7 t Evolu o Mensal de Funcion rios 64 63 62 oe ooo 123 4
50. a 7 Processo KDD cvs weet ecceseccisvatccus cus cecadsn oblhbeenctecnivsibovbaveten ells da soca Sa US ao acena sda 22 Figura 8 Exemplo de uma Rede Neuronal 00 cccecssescceseeseeecesesseeeceaecaeeeneesecaeeaeeeeeaeeaeeeneeaes 24 Figura 9 Exemplo de uma rvore de decis o ccscssssssesssssessessesssssssssssssssssesscssssucsssssesssesseses 25 Figura 10 Rede feed forward rennir ii a E sos Fara nnsn Ralo EAE ana aa dear p aaa 27 Figura 11 Processo Back Propagation ccccccssessseessecseesecsseceseceseceseeeeeeseeeeeseeeseeeseeeeeesaes 30 Figura 12 Print Screen da execu o da classe BrowserQuadroBordo do projecto 36 Figura 13 Print Screen da execu o da classe BrowserQuadroBordo do projecto Vendas Mensais A esac Cased set UG ENE a a aged SL arara ted ET 37 Figura 14 Arquitectura de uma rede neuronal Back Propagation osese 38 Figura 15 Par metro n de funcion rios de entrada da rede neuronal 39 Figura 16 Par metro n de m quinas de entrada da rede neuronal i 39 Figura 17 Par metro valor de vendas no mesmo m s do ano anterior t 40 Figura 18 Par metro Evolu o Mensal de Stock de entrada da rede neuronal 41 Figura 19 Par metro Evolu o do P I B de entrada da rede neuronal Fonte I N E 42 Figura 20 Par metro Evolu o da
51. a o desenvolvimento em Java utilizando o PostgreSgl como motor de base de dados de um m dulo comercial para o ERP da Din mica Desenvolver um m dulo comercial de um ERP como sabemos n o uma tarefa f cil nem pequena havendo constantemente a possibilidade de melhorar o produto desde que inicialmente tenham sido definidas boas pr ticas de an lise e desenvolvimento Todas as ferramentas a utilizar s o uma novidade tendo sido necess rio um estudo pr vio antes de se avan ar para o desenvolvimento do projecto 3 2 M dulo Comercial No desenvolvimento do m dulo comercial s o tratadas todas as manuten es relativas a documentos comerciais facturas guias de remessa vendas a dinheiro facturas pr forma propostas notas de cr dito notas de d bito encomendas e guias de transporte Sempre que os documentos envolvam contas correntes de clientes procura se efectuar os respectivos lan amentos tamb m desenvolvido um quadro de bordo que auxilia a gest o de topo da empresa na obten o de dados vitais on line nomeadamente o volume de vendas mensais comparativas com anos anteriores contas correntes de clientes e fornecedores encomendas em aberto de clientes e fornecedores 35 Especifica o do M dulo Comercial ERP jDx S o ainda elaborados variados mapas utilizando o iReport no sentido de produzir relat rios fundamentais para a gest o e acompanhamento comercial da empresa 3 3 Previs o de Vendas
52. a como a empresa est operando O sistema pode tamb m gerar dados a n vel empresarial para a gest o e an lises de custo e rentabilidade do produto Os sistemas nas empresas podem assim criar alicerces para uma rela o mais orientada para o cliente Ao integrar os processos empresariais discretos nas vendas produ o finan as e log stica a organiza o pode de uma forma mais eficiente dar resposta s solicita es dos clientes para os produtos ou informa o previs o de novos produtos bem como prever e entregar a encomenda conforme pedida A produ o ficar melhor informada sobre o que os clientes pediram apenas produzindo o necess rio procurando exactamente a quantidade de componentes ou mat rias primas para preencher ordens reais minimizando o tempo que os componentes ou produtos acabados est o em stock O trabalho relatado neste documento decorreu na empresa Din mica Projectos Consultoria e Organiza o Lda micro empresa de presta o de servi os e desenvolvimento de software e integra o m dulo comercial do novo ERP que a empresa est a desenvolver jDx utilizando tecnologia JAVA 1 2 Projecto O m dulo comercial que est na base do trabalho descrito neste documento ir integrar o ERP da empresa em conjunto com outros m dulos j desenvolvidos em desenvolvimento m dulo financeiro e de log stica ou a desenvolver num futuro pr ximo As expectativas s o de que em Junho de 2009 o m dulo comercia
53. a resolu o de problemas complexos devido ao facto do conhecimento adquirido pela rede neuronal ser inerente sua pr pria arquitectura activa o de fun es ocultas e de sa da de cada unidade e um conjunto de pesos podem os humanos n o compreender por que raz o ou como uma decis o tomada Esta d vida inibe a confian a a aceita o e a aplica o da rede neuronal Como que as redes neuronais aprendem Aprendem com a utiliza o do m todo Back Propagation alimentando as classifica es e efectuando a previs o dos erros de volta ajustando os pesos para reduzir os erros Utilizando m todos alternativos como por exemplo o do gradiente conjugado Depois de um certo n mero de itera es os erros e os pesos deixam de mudar e ent o o algoritmo p ra Podem ser usados par metros de calibra o como a taxa de aprendizagem an lise do gradiente de descida ou como a an lise da mudan a de pesos Devem ser utilizadas heuristicas para a rede neuronal tais como camadas escondidas e n s por camada tentativa erro valores muito baixos respondem com valores muito altos podem se reconhecer mais padr es mas pode ser excessivo Tipificar os par metros para teste pelo menos 30 por peso por exemplo para 15 entradas uma camada oculta com 10 n s e uma sa da gt 30 10 15 1 10 1 5 130 observa es Taxa de aprendizagem entre 0 1 e 0 9 come ar com taxa elevada e em segui
54. ada pelo utilizador 4 3 Previs o de Vendas O m dulo correspondente previs o do volume de vendas mensais do cliente constitui uma funcionalidade importante neste projecto A previs o efectuada atrav s de uma rede neuronal Para a realiza o de testes comparativos foram efectuadas duas an lises Numa primeira an lise foram utilizados 48 meses de hist rico 2004 a 2007 na aprendizagem da rede para prever as vendas mensais de 2008 Numa segunda an lise foram utilizados 60 meses de hist rico 2004 a 2008 na aprendizagem da rede para prever as vendas dos 5 primeiros meses de 2009 as conhecidas at ao momento Relativamente estrutura da rede neuronal a camada de entrada da rede possui 4 unidades a camada interm dia 3 e a camada de sa da naturalmente 1 unidade 54 Implementa o Em cada um dos testes variou se com incrementos decimais o par metro learning rate entre 0 5 e 0 8 e o par metro momentum entre 0 1 e 0 4 Quanto mais alto o valor do par metro learning rate mais rapidamente a rede aprende J o momentum evita oscila es da rede na aprendizagem evitando m nimos locais Inicialmente foram efectuados alguns testes com mais de 4 par metros de entrada mas os resultados n o foram nada animadores em virtude do hist rico conhecido n o ser suficiente para produzir resultados satisfat rios An lise 1 Nesta an lise foram utilizados 48 meses de hist rico 2004 a 2007 na aprendizage
55. adiauss US ts SUE Rd Sato bia 53 A LASS Reportar aee obesa a aaa ad E Mic seek a RA 53 4 2 A implementa o do Quadro de Bordo ii ceeceeerererererererererererareanoa 53 4 3 Previs ode Vendas seve sean rara isa nana tom oheasian cenzian goes cas anesthe Gs atas aa Pina SANA v aaa ssa 54 Aids CONCIIS ES ia musa estaca A ah A ASUS dd laa Mh estab delved neste a Tea 76 5 Conclus es e Trabalho Futuro ccssccsscsssssscssscssccescssscssscssssssscssscesccesseesesesssessseeens 77 5 1 Satisfa o dos Objectivos isciti inrano inernet in aR ra a P EEn PEE E S 77 5 2 Trabalho FUTO niena a deans CUTE Das dove a 78 REFERENCIAG sssssssscssssssossesesccsssonsnsesescssssonsssesaccsssonsnsessacosssonsesossasosssonsesosasosssonsesossssssesonsesonsssosesonseses 79 Vil Lista de Figuras Figura 1 Exemplo de um ERP figura retirada de Laudon Laudon 2006 1 Figura 2 Mapa Gant do projecto Integra o de um M dulo Comercial no ERP jDx 3 Figura 32 Diagrama Ss OP orere soe saio hea tao Voy ccs EE toa EANES TO gues AREA Rn dees L 12 Figura 4 Data Mining e descoberta de conhecimento numa empTresa cccesceesseesteesteetees 18 Figura 5 Arquitectura h brida IDE ee erereecereraceaaanaa ea aeaeracenaea 20 Figura 6 Exemplo de uma rede neuronal 00 eceeceesseseceseeseeeeceseeseeeeeeaecaeeeceesecaeeaeseeeaeeaeeeneeaee 20 Figur
56. ama de valores de probabilidade de falha de um motor um bimotor mais seguro que um quadrimotor N o existe nenhum trauma quanto ao uso de sistemas distribu dos mas na pr tica evitamos um pouco essa arquitectura Por outro lado a exist ncia de mais subsistemas implica mais trabalho a todos os n veis para os respons veis pelo projecto E se o n mero destes ltimos for manifestamente escasso que o que acontece na empresa em quest o quando comparado com o n mero de subsistemas em que se tem de actuar existe tamb m uma clara degrada o na produtividade do ser humano no entanto verdade que se eventualmente se pretender trocar o PostgreSQL por outro SGBD essa permuta seria muito mais f cil de efectuar se o projecto tivesse sido desenvolvido usando 3 camadas Interface L gica de Neg cios e Acesso a Dados resultantes da adapta o do modelo MVC Model View Controller Contudo o trabalho de desenvolvimento para manter esse modelo seria tamb m maior Para finalizar falta tocarmos no aspecto comercial n o f cil no nosso cliente tipo e note se que n o s o micro empresas com fabrico falar num Servidor Web ou Ficheiros Servidor para a Camada L gica de Neg cio Servidor PostgreSQL mesmo que fisicamente junt ssemos 47 Implementa o os Servidores de Ficheiros com o Servidor PostgreSQL continuaria a n o ser f cil vender esta solu o Esta abordagem comercial iria abrir na melhor das hip t
57. ambiente a modela o de tipos de dados 07 for PostgreSQL dbJDinamicak on localhost dbJDinamicaE Dependency Tree Table public tdoccom cab dbJDinamicaE on localhost Tools Services Options Windows Help 4 ry peed f Efltdoccom mov tipo num estab on public tdoccom mow EBltdoccom mov pkey on public tdoccom_mov EB tdoccom_cab_cdcab tipo cdcab num cdcab estab Key on publictdoccom cab EB public tdoccom mow public vdoc com mov Sto ins mov on public tdoccom mow E pg_defaut gt EB public tdoccom cab EZ tdoccom_cab_cdcab tipo cdcab mum key on public tdoccom cab EB tdoccom_cab pkey on public tdoccom_cab ES public vdoc com mow Sto ins cab on public tdoccom cab Figura 22 Relacionamento entre as tabelas de documentos comerciais do m dulo comercial do projecto jDx Na figura 22 est presente o relacionamento entra a tabela de cabe alho e a tabela de linhas dos documentos comerciais Est ainda presente a view das duas tabelas que nos permite o acesso aos dados das duas tabelas em simult neo quando necess rio Os triggers utilizados em cada uma das tabelas para actualiza o de campos em autom tico tamb m s o referidos na figura 22 Os requisitos suplementares tamb m conhecidos por requisitos n o funcionais apresentam se como um complemento aos requisitos funcionais e
58. ansaccionais ou operacionais tais como vendas custos invent rios folhas de pagamento contabilidade etc Os padr es associa es ou rela es entre tudo isto podem fornecer informa es muito teis Por exemplo a an lise das transac es de um ponto de venda de retalho pode produzir informa es sobre quais produtos que est o a ser vendidos e quando A informa o pode ser transformada em conhecimento baseado em padr es hist ricos e tend ncias futuras Por exemplo o resumo das informa es sobre as vendas a retalho de um supermercado pode ser analisado luz dos esfor os promocionais para fornecer conhecimento sobre o comportamento de compras de um consumidor Assim um fabricante ou revendedor poderia determinar quais os produtos mais favor veis a um esfor o promocional Dado um conjunto de amostras dever ser partidas em grupos similares de amostras de acordo com alguns crit rios de similaridade Devemos determinar classes de amostras para ensaio utilizando classifica es conhecidas para classificar os dados dos ensaios Para cada uma das categorias devemos seleccionar um subconjunto das caracter sticas respons veis pela cria o do estado correspondente classe que tamb m um tipo espec fico de redu o de dimens o Algumas das amostras n o s o boas representantes de qualquer das classes portanto melhor ignor las durante a fase de Data Mining As t cnicas habitualmente utilizadas por
59. as Reais Previs o de Vendas Figura 44 Maior erro m dio absoluto em An lise 2 par metros NF NM V PIB 71 Implementa o Em seguida foram ensaiados como par metros de entrada o n mero de funcion rios NF o n mero de m quinas NM o volume de vendas do mesmo m s do ano anterior V e o valor do stock do m s anterior S A tabela 9 apresenta os resultados obtidos Previs es Vendas Mensais Ano 2009 4 Par metros Back Propa N de Funcion rios N de M quinas Vendas do mesmo m s do Ano Anterior Stock Fim do M s Anterior N de itera es de aprendizagem da rede 500000 N Elementos do Conjunto de Treino 60 N Elementos do Conjunto de Teste 5 ERRO M DIO ABSOLUTO milhares de euros ERRO M DIO ERRO M XIMO ABSOLUTO milhares de euros ERRO M XIMO ERRO M DIO QUADR TICO Momentum 0 1 0 2 0 3 04 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Learning Rate Learning Rate Learning Rate Learning Rate Learning Rate 0 5 23 000 110 600 77 000 106 600 0 5 7 641 34 673 25 425 35 121 0 5 66 000 197 000 146 000 190 000 0 5 24 444 63 344 54 074 70 370 0 5 0 00258 0 00296 0 00381 0 00301 0 6 95 800 89 800 83 800 83 200 0 6 30 155 29 522 27 048 28 388 0 6 166 000 178 000 199 000 190 000 0 6 61 481 6
60. as e a avaliar outras solu es candidatas Durante este per odo a empresa inundada com garantias de comercializa o e com candidatos lutando para se diferenciar A integra o do software as poss veis fus es e aquisi es de diferentes candidatos podem comprometer ainda mais a qualidade da informa o recolhida Porque geralmente as equipas seleccionadas n o t m a capacidade de obter informa es objectivas analisados os dados dispon veis sobre as solu es dos candidatos Esta situa o pode ocorrer durante todo o processo e originar mesmo a que se exceda o tempo e ou or amento do projecto Na verdade mais de metade de todas as implementa es de software n o satisfazem as expectativas e pelo menos um ter o t m falhas definitivas As empresas frequentemente assumem que reduzindo os recursos e tempo gasto na recolha de informa es est o a reduzir esses riscos Mas ao faz lo podem estar na realidade a comprometer o objectivo final O objectivo n o a empresa possuir um qualquer sistema de informa o mas sim melhorar o desempenho da organiza o Ao utilizar consultoras neste processo de selec o da melhor solu o empresarial utilizam se menos recursos da organiza o mas pode se n o atenuar os riscos de uma m escolha porque muitas das consultoras tamb m enfrentam os mesmos obst culos como organiza es e podem empregar metodologias defeituosas para compensar Ao solicitar novos candidatos devem se
61. ciais para uma mais correcta explora o do ERP A m dio prazo continuar o desenvolvimento dos m dulos em falta utilizando o esp rito do desenvolvimento seguido at aqui quer em termos de tecnologias quer em termos de integra o 78 REFERENCIAS Ver96 AKO1 LL06 SS01 WN04 Roj96 Fau94 Day07 Zor07 TMV06 CLF09 KX98 Francois B Verdanat Enterprise Modeling and Integration Hardcover Chapman amp Hall 1996 Anderson Kristin amp Kerr Carol Custumer Relationship Management McGraw Hill 2001 Kenneth C Laudon amp Jane P Laudon Management Information Systems Managing the Digital Firm Hardcover Prentice Hall 2006 Garth Saloner amp A Michael Spence Creating and Capturing Value Perspectives and Cases on Electronic Commerce Hardcover October 2001 Willard N Ander e Neil Z Stern Winning at Retail Developing a Sustained Model for Retail Success John Wiley amp Sons Inc 2004 R Rojas Neural networks A systematic approach Springer Berlin 1996 Laurenne Fausett Fundamentals of Neural Networks Architectures algorithms and applications Prentice Hall Inc 1994 Judith E Dayoff Neural network architectures an introduction 2007 Alexey Zorin Stock Price Prediction Kohonen versus BackPropagation 2007 Frank M Thiesing Ulrich Middelberg Oliver Vornberger Parallel Back Propagation for Sales Prediction on Transputer Systems 2006 Pei
62. contrado passamos segunda parte do problema utilizando esses conjuntos de itens para gerar regras que t m uma confian a superior m nima definida pelo utilizador Encontrar regras a partir de grandes conjuntos de itens simples Encontrar grandes conjuntos de itens um problema exponencial e portanto computacionalmente caro de resolver Agrawal prop s o algoritmo Apriori para encontrar grandes conjuntos de itens e as regras de associa o para estes conjuntos de itens 29 Revis o Bibliogr fica No sentido de utilizar o algoritmo Apriori aproveitando o desempenho dos dados do computador precisamos de converter os dados para valores booleanos Os algoritmos com regras de associa o avaliam os dados que tiverem de valor zero ou um Um cliente comprou um item valor 1 ou n o comprou um item valor 0 Converter dados num ricos para booleanos envolve encontrar um limite acima do qual todos os dados passam a um e abaixo do qual passam a zero Segundo Fausett Fau94 o m todo Back Propagation definido como sendo um algoritmo de aprendizagem multi camada de redes neuronais baseado na minimiza o da m dia ou total do erro ao quadrado Treinar uma rede neuronal com o m todo Back Propagation um processo de tr s etapas O feed forward de forma o do padr o de entrada o c lculo e a realimenta o do erro associado bem como o ajustamento do peso Fau94 A figura ret
63. da Wrangler Outras aplica es conhecidas da utiliza o de redes neuronais encontram se na ind stria alimentar em m todos de classifica o de frutos na classifica o de frutas e legumes na classifica o de vinhos e na colheita de citrinos por exemplo No mercado de fruta fresca as ma s s o classificadas em categorias de qualidade de acordo com seu tamanho cor e forma e para a presen a de defeitos Normalmente a classifica o das ma s por cor decidido de forma emp rica pelos olhos dos trabalhadores Contudo muito dif cil distinguir cores individuais devido ao grau de semelhan a da colora o das ma s Recentemente muitos m todos utilizando a vis o por m quinas foram proposto para substituir o sentido emp rico de classifica o pelos olhos dos trabalhadores A classifica o de ma s usando a vis o de m quinas pode ser arbitrariamente dividida em quatro etapas a aquisi o de imagens a sua segmenta o sua interpreta o e finalmente a classifica o dos frutos Neste estudo foram utilizados dois modelos de redes neuronais A rede neuronal utilizada para classificar um pixel em qualquer parte de uma ma A rede neuronal cont m tr s camadas camada de entrada camada escondida e camada de sa da A camada de entrada possui sete unidades Ri Gi Bi referente a cada pixel da imagem de dados a m dia de dados R G e B e ainda a posi o do pixel Y no que se refere s coordenadas bidi
64. da diminuir o passo do tamanho da descida do gradiente A altera o das din micas dos pesos permite rede encontrar uma solu o mais rapidamente 28 Revis o Bibliogr fica Para escolher a forma o das amostras devemos Cobertura dos valores de todos os recursos entradas e sa das N mero de recursos selec o da vari vel por exemplo utilizar conhecimento intui o ou m todos como rvores de decis o em primeiro lugar Tamanho do conjunto para treino As propor es das categorias de sa da talvez considerar sobre amostragem Como preparar os dados utilizar valores quantitativos cont nuos transformar ou padronizar para um mapeamento do tipo 1 1 utilizar valores inteiros ordenados utilizar valores qualitativos em categorias necessitando de datas ou endere os devemos ter outros tipos de cuidados no manuseamento dos mesmos Ao interpretar os resultados devemos converter as sa das para previs es quantitativas para a previs o da rede ou para a probabilidade da classifica o da rede Devemos utilizar redes neuronais para s ries temporais As redes neuronais s o dif ceis de entender mas a an lise da sua sensibilidade pode oferecer bons resultados para efeitos de entrada num conjunto de testes Os analistas mais experientes empregam muitos dos m todos que s o utilizados em Data Mining quando analisam dados Estes incluem modelos estat sticos tais como regress o l
65. de euros ERRO M XIMO ERRO M DIO QUADR TICO Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 04 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Learning Rate Learning Rate Learning Rate Learning Rate Learning Rate 0 5 56 417 81 583 87 000 48 083 0 5 10 485 14 347 16 419 10 873 0 5 131 000 315 000 414 000 90 000 0 5 23 020 50 643 87 342 28 495 0 5 0 00306 0 00173 0 00181 0 00269 0 6 15 500 70 750 105 500 66 333 0 6 2 884 13 437 18 147 12 959 0 6 51 000 176 000 298 000 158 000 0 6 9 341 27 981 50 423 32 377 0 6 0 00306 0 00303 0 00192 0 00341 0 7 64 167 73 500 85 750 62 833 0 7 14 138 14 522 24 521 12 662 0 7 288 000 180 000 358 000 155 000 0 7 48 731 32 061 156 452 38 366 0 7 0 00144 0 00354 0 00258 0 00325 0 8 61 167 50 167 61 083 80 417 0 8 12 795 9 463 12 299 21 579 0 8 165 000 345 000 142 000 204 000 0 8 30 108 58 376 28 218 109 677 0 8 0 00266 0 00135 0 00381 0 00293 Minimo 15 500 Maximo 105 500 Minimo 2 884 Maximo 24 521 Minimo 51 000 Maximo 414 000 Minimo 9 341 Maximo 156 452 Minimo 0 00135 Maximo 0 00381 M dia 66 891 M dia 13 846 M dia 216 875 M dia 50 726 M dia 0 00264 Tabela 3 Resumo dos resultados obtidos em An lise 1 par metros NF N
66. de regress o linear em vez de um conjunto de regras Embora as redes neuronais possam ser lentas de treinar uma vez formadas e implementadas as redes neuronais podem classificar entradas muito rapidamente O processo KDD um bom paradigma para a an lise de dados Pode se perguntar quais as diferen as entre as tradicionais an lises estat sticas e o processo KDD Os m todos estat sticos empregues pela utiliza o de KDD t m um rigor semelhante s abordagens estat sticas mas muitos m todos KDD tendem a ser mais experimentais e menos conservadores do que os utilizados nas estat sticas Assim eles s o mais adequados para uma abordagem descoberta da an lise dos dados 2 5 2 Regras de Associa o O modelo de representa o de rvores de decis o uma estrutura dos dados em rvore Tal como na figura 9 em que cada n da rvore representa um atributo Os r tulos atribu dos a cada 24 Revis o Bibliogr fica n s o escolhidos por uma fun o que pode separar os atributos em que os valores dentro de um n s o mais semelhantes e entre outros n s em que n o s o t o semelhantes Diferentes algoritmos de rvores de decis o utilizam fun es diferentes para rotular cada n Decision Trees ee value j of Attribute i AI A Attribute i 577 19 vi A A3 YES v21 v22 v4i v42 v43 AS A3 A2 A6 A YES YES Figura 9 Exemplo de uma rvore de decis o O atributo que melhor classifica os exemplos
67. dependem de situa es ou aplica es espec ficas e sabido que nenhum m todo domina os outros m todos o tempo todo Uma quest o cr tica a decis o de qual o m todo escolher para uma determinada aplica o 17 Revis o Bibliogr fica Data Mining and Knowledge Discovery of Enterprise Data Data mining and knowledge Sources of enterprise data discovery methods ssssemeanneg PEEL aa aa oSale Forecasting o Scheduling o Artificial Neural Networks o Quality Control o Cluster Analysis o Manufacturing o Decision Trees o Process Control o Rule Induction Methods o Fault Diagnosis oGenetic Algorithms o Business Process o Ant Colony Optimization o Supply Chain o Tabu Search Management o Support Vector Machines o Risk Analysis oBayes e o Maintenance e s s te o Figura 4 Data Mining e descoberta de conhecimento numa empresa Geralmente Data Mining algumas vezes chamado de descoberta de conhecimento o processo de an lise dos dados a partir de diferentes perspectivas resumindo os em informa o til informa o que pode ser utilizada para aumentar a receita reduzir os custos ou ambos numa organiza o Os dados s o quaisquer factos n meros ou texto que podem ser tratados por um computador Hoje as organiza es est o a acumular crescentes quantidades de dados em formatos diferentes e de diferentes bases de dados Estas incluem dados tr
68. dor de plantas ervas de imagens coloridas do solo Neste estudo foi usada uma distribui o de probabilidade para efectuar o treino da rede Plebe e Grasso PG00 descrevem o sistema de processamento de imagem para orientar na colheita autom tica de laranjas que foi integrado no primeiro prot tipo completo de robot para colheita de laranjas 2 6 Conclus es Ap s serem referidos v rios temas no estado da arte tais como Data Mining KDD regras de associa o e rvores de decis o que foram de extrema utilidade no decorrer do projecto n o deveremos ter veleidades quanto sua forte utiliza o no desenvolvimento futuro do ERP principalmente devido ao escasso n mero de colaboradores actualmente afectos a este projecto No entanto o m todo de redes neuronais Back Propagation quer pelas opini es manifestadas em v rias refer ncias bibliogr ficas consultadas quer por todos os testes executados no mbito deste projecto foi utilizado no desenvolvimento do ERP para efectuar a previs o de vendas do cliente 34 3 Especifica o do M dulo Comercial ERP jDx 3 1 Descri o do Problema O problema a tratar est inserido num outro ainda de maior dimens o que o desenvolvimento de um ERP que substitua o Dinamix sistema desenvolvido no in cio da d cada na empresa e que se encontra ultrapassado tecnologicamente e a v rios outros n veis Este projecto ent o um sub problema do atr s descrito ou sej
69. e os objectivos em termos de tecnologia foram completamente satisfeitos claro que se partiu muita pedra e ainda h muita por partir mas estes tipos de projectos s o mesmo assim Ao n vel da apresenta o esta tecnologia como sabemos totalmente orientada ao bit logo tamb m aqui se deu um salto qualitativo extraordin rio estando naturalmente os objectivos satisfeitos Em termos de funcionalidades tamb m se evoluiu muit ssimo n o de mais lembrar que bastava s aproveitar todas as potencialidades do Java em termos de bibliotecas e constantes actualiza es de vers es para esse salto ser natural 77 Conclus es e Trabalho Futuro Sintetizando passar de um m dulo comercial de um ERP orientado ao car cter para um m dulo comercial de um ERP assente nas mais recentes tecnologias d como uma sensa o de miss o cumprida 5 2 Trabalho Futuro A curto prazo integrar todo o esfor o produzido neste projecto em termos de utiliza o do m todo de redes neuronais Back Propagation para a previs o de vendas mensais na classe j desenvolvida do Quadro de Bordo Para isso ser necess rio ao n vel dos par metros da empresa permitir aos utilizadores informarem os hist ricos de cada um dos par metros de entrada seleccionados por forma classe poder efectuar o output com as respectivas previs es para o ano n 1 Ser ainda necess rio enriquecer o m dulo comercial com mais alguns relat rios essen
70. eg cios Com o advento da Internet os dados transaccionados atingiram enormes propor es Vamos enfrent lo os dados s o perp tuos Ent o a quest o como podem as empresas utilizar em seu favor os dados transaccionados Data Mining o processo de obter informa o vital para compreender o que est a acontecer dentro da empresa como ela est a evoluir financeiramente onde residem os problemas e onde podem ser introduzidas melhorias Como tal importante ser capaz de capturar dados de forma segura e eficaz a fim de tomar as decis es empresariais estrat gicas Os volumes de dados com que as empresas lidam diariamente observam determinados regulamentos a que estas devem aderir bem como pol ticas operacionais organizacionais que lhes s o impostas Estes s o apenas alguns dos requisitos que obrigam a um controlo de dados 16 Revis o Bibliogr fica A mais recente tend ncia de Data Mining o CCM Continuous Control Monitoring As poderosas capacidades anal ticas do CCM permitem s empresas um ganho imediato subjacente s transac es dos seus neg cios e relat rios financeiros Um exemplo de onde usado CCM o seguinte Uma interface CCM para o invent rio em participa es num neg cio de distribui o que utilizado para analisar eventuais ac es em milhares de refer ncias em stock Utilizando um caso espec fico o sistema reconhece que de acordo com as projec es em 10 s
71. emanas o produto estaria sem stock e o tempo de reposi o de oito semanas O sistema CCM determina o melhor m todo para encomendar a quantidade ptima e prepara uma ordem de compra para aprova o O que toma o CCM diferente Por uma cont nua e independente an lise de dados financeiros as aplica es CCM podem verificar e validar os dados contra a organiza o do controle de par metros e regras comerciais O CCM permite s empresas analisar rapidamente grandes volumes de dados identificando actividades suspeitas e fornecendo indica es sobre onde possa ocorrer qualquer viola o de seguran a Esta funcionalidade permite aos utilizadores detectar a opera o espec fica respons vel antes de o problema piorar Em seguida armazena automaticamente os dados que est o a ser analisados resultando em informa es que podem ser facilmente pesquisadas e instantaneamente recuperadas A recente prolifera o de recolha de dados acess vel a partir de suportes de armazenamento e de poderosos sistemas de computa o tem fornecido uma base s lida para o surgimento de Data Mining O principal objectivo deste r pido crescimento a an lise de um largo e muitas vezes heterog neo e distribu do conjunto de dados a fim de descobrir informa es teis sobre os fen menos ou sistemas que geraram esses dados Essas fontes de dados podem vir de v rios fen menos naturais ou de sistemas artificiais Podem ser encontrados exemplos da
72. er preponderante para acelerar as tarefas Outro factor decisivo para atingir este objectivo ser a efici ncia do reposit rio visto que os acessos ao mesmo s o bastante frequentes Prioridade Desej vel Fiabilidade Descri o A robustez do software dever ser o mais apurada poss vel evitando perdas ou corrup o da informa o Prioridade Essencial Manuten o Descri o O sistema dever ser concebido de maneira a permitir uma f cil manuten o e altera o das funcionalidades que o constituem bem como a introdu o de novas funcionalidades Prioridade Desej vel Portabilidade Descri o O sistema deve ser o mais port vel poss vel e dever ser pelo menos compativel com os diversos sistemas operativos que o JVM actualmente suporta Prioridade Desej vel 46 Implementa o Ao n vel das interfaces com o utilizador o sistema fornecer ao utilizador um ambiente de interac o bastante intuitiva O IDE JBuilder fornecer as ferramentas de trabalho que possibilitar o a cria o de m scaras com um bom n vel UserFriendly que servir o como meio para o utilizador inserir informa o no reposit rio e posteriormente a poder explorar No que diz respeito GUI Graphical User Interface esta ser simples Os utilizadores finais do produto s o aqueles que lidam com sistemas de software nas suas diversas fases de desenvolvimento Tendo em conta que o ERP uma ferramenta que vai ser utilizada desde
73. erior pode efectuar a valida o de dados de forma a encaixar melhor com o resultado esperado As redes neuronais direccionadas para Data Mining classifica o ou previs o podem Identificar entradas sa das Padronizar os dados Configurar a topologia de rede Treinar a rede com a utiliza o de amostras Utilizar a valida o amostra para seleccionar pesos que minimizem os erros Avaliar o modelo final utilizando amostras Implantar o modelo para efectuar previs es de sa da conhecidas as entradas 2 5 1 KDD O KDD Knowledge Discovery in Databases um paradigma utilizando processos passo a passo para encontrar padr es interessantes em grandes quantidades de dados Data mining um passo no processo Grandes bases de dados s o cada vez mais comuns nas organiza es Os computadores est o cada vez mais baratos e com maior capacidade de armazenamento o que tem contribu do para a prolifera o dessas bases de dados numa grande gama de reas An lises cient ficas podem produzir terabytes de informa o e produzir taxas de dados a taxas atingindo gigabytes por hora Informa es de pontos de venda registos governamentais registos m dicos e dados dos cart es de cr dito s o apenas algumas outras reas que podem produzir esta explos o de informa o N o h s maiores bases de dados mas as pr prias bases de dados v o ficando maiores muito mais f cil armazenar dados do
74. erir n o foi uma decis o unilateral dos projectistas A utiliza o das classes e ferramentas espec ficas da Borland existentes em JBuilder para trabalhar a interface gr fica com o utilizador conduziram a esta arquitectura de 2 camadas Na implementa o do jDx procurou se encontrar para cada camada a tecnologia que melhor se adequasse aos objectivos em vista Claro que existiu uma tecnologia que se apresentou transversal a praticamente todos os m dulos que foi o JBuilder que usado essencialmente na camada de apresenta o Na camada de acesso aos dados utilizado o iReport para o acesso aos dados e o SGBD PostgreSQL para o armazenamento gest o desses mesmos dados Concretizando e pormenorizando uma perspectiva geral do jDx ilustrada no seguinte esquema figura 24 Interface com Utilizador Autentica o Cria o manuten o e supress o de informa o p ueindas Cria o manuten o e supress o Servidor Figura 24 Perspectiva geral do jDx No m dulo comercial do jDx foram consideradas as seguintes funcionalidades Figura 25 49 Implementa o Funcionalidade de Edi o Funcionalidade de Visualiza o Funcionalidade de Multi L ngua Pot ncia da Consulta M dulo gFm jDx Figura 25 Algumas funcionalidades do m dulo comercial jDx 4 1 2 Arquitectura f sica 4 1 2 1 Modelo O sistema a desenvolver trata se de um sistema distribu do em que existe um servidor o repos
75. eseksdsslecesheted ani E bistss Si depot talos Da aid sad SSL edad 35 3 2 M dulo Comercial een estate smnosa a occ Side send da a von a ste TES Ed pas cada 35 3 3 Previs o de Vendas usando Redes Neuronais ccceccccsseesseeeteceneceseceseeeeeeeeneesneensees 36 34 Resumos ConchisdesS a aa E OLDEST E ESSE a 44 4 Implementa o sans osorno viccrestissesnistocestasdds cots ro NEA bas clas tias casando cs sos nai EEE Eo 45 4 1 A implementa o do M dulo Comercial 0 ccccccsessecsteceteceneceseceeeceeeeseeeeeseeeeesees 47 4 1 1 Arquitectura logican enun naa musa sas a ves vheeade vane a oats seeds suada Da pa da 48 4 1 2 Arquitectiira fisicanys o lnn e shedpean a E R AE E EE A CELES i 50 41 2 1 Modelos a a ak nce a a aa he cat a a ab lec deeb acd 50 4 1 2 2 Arquitecturie oia eos Teed a Sata a A A Bolt 51 4124 Servidor de dad Osis siener en ee teaa a T a EE TE EE EE RE Ei 51 4 1 3 Principais decis es de projecto do JDX cecccescesseesteceteceteceseeeeeesseeeeeeteeenseeaees 51 vi 4 1 4 A SACCNOLO BIAS A A EE AE ia Tasca td de a anew beats Ai 52 AVA MJ AV Gr iets SIDI DER oe cavsudeidusds soecaeesaeeesnasoesacesudyseueis sovaeevaggeeonds sou akgeuee celvanevanteg ont EDP 52 A VAs 2 Builder ronie aferran e ro nAn sadaven cheap A E E A AE E A O ENES 52 Ar AS Poster SO EG rasa cas heeetan beste Do iara kN Sg Gat oi Arca bee aa aba Sob aul Near asc 53 4144 Jasper Report sis ria sendo densa diana E Sa T AS deadant
76. eses um dossier comercial longo Mas tarefa dos t cnicos continuar a apoiar os clientes na busca das melhores decis es e t cnicas economicamente vi veis tarefa que se revela por vezes bastante custosa Foi esta pan plia de princ pios que nos levaram a optar por uma arquitectura composta por duas camadas Interface e Acesso aos Dados 4 1 1 Arquitectura l gica Uma perspectiva geral da decomposi o horizontal e vertical do m dulo comercial do jDx apresentada na figura seguinte Figura 23 Interface com Utilizador jensia apepijioe4 mn m q a D a o a D m a Acesso a dados O gy E E eVINSUOD ep BIDUgIOA oes oedez enBurt INW epepljeoua jod edSueinBes Servidor Figura 23 Arquitectura l gica do m dulo comercial do jDx A defini o de uma arquitectura horizontal pode condicionar decisivamente a qualidade de um produto de software V rios problemas podem ocorrer se uma aplica o misturar c digo de acesso a dados l gica de neg cio e apresenta o sendo que estes tipos de aplica es s o normalmente dif ceis de manter devido interdepend ncia entre componentes Actualmente no desenvolvimento de interfaces e mesmo de aplica es completas um dos modelos mais utilizados o MVC No entanto neste projecto optou se por uma divis o em 2 camadas como ja foi referido Esta op o resultou tamb m da utiliza o da ferramenta JBuilder que conv m 48 Implementa o ref
77. esolu o de problemas complexos n o lineares a tomada de decis o efetuada por redes neuronais vaga Para tornar o resultado das redes neuronais mais convincente utilizam se bases de dados com a utiliza o de algoritmos a priori no sentido de produzir conhecimento ou regras As redes neuronais s o respons veis por avaliar um caso novo automaticamente de modo correcto e inteligente No entanto para evitar riscos em caso de decis o errada que n o notificado pela rede neuronal um algoritmo de Data Mining usado para enriquecer o conhecimento regras a partir da base de dados para validar a decis o da rede neuronal A fim de tornar c lere a tomada de decis es est o a ser utilizadas em muitas empresas t cnicas de Data Mining para automatizar os processos de tomada de decis o Esta 19 Revis o Bibliogr fica arquitectura h brida Intelligent Database Engine IDE tem a capacidade de fazer e apoiar as decis es adequadamente para uma variedade de bases de dados Intelligent Database Engine Knowledge Discovery Intelligent Decision and Decision Support Making Neural Network Data Mining Back propagation Apriori Figura 5 Arquitectura hibrida IDE A Figura 5 identifica a arquitectura h brida de um IDE a rede s capaz de inferir um resultado sem dar qualquer explica o para a decis o Para apoiar o resultado Apriori
78. exist ncia de volumes enormes de dados em reas t o diversas como meteorologia ci ncias da terra astronomia biologia ci ncias sociais etc Em particular note se que existe outra fonte de dados obtida principalmente a partir de neg cios e actividades industriais Este tipo de dados conhecido como Dados Empresariais A partir da an lise destes dados o analista pretende conseguir delinear uma concep o mais estrat gica para optimizar o desempenho de algum tipo de medida como a redu o dos tempos de produ o a melhoria da qualidade a elimina o dos res duos e a maximiza o dos lucros A an lise dos dados pode descrever diferentes cen rios num ambiente de fabrico no controlo de qualidade de algum processo na detec o de alguma falha no diagn stico do funcionamento de uma m quina ou processo na an lise de risco de cr dito na gest o das cadeias de aprovisionamentos dum sistema de fabrico ou na tomada de decis es num determinado neg cio s para citar alguns exemplos O uso de Data Mining e a consequente descoberta de novo conhecimento podem ser agrupados em diferentes categorias dependendo do tipo de m todos e algoritmos utilizados Assim podemos ter m todos que se baseiam em redes neuronais artificiais RNAs em an lise de agrupamentos em rvores de decis o na associa o de regras em algoritmos gen ticos em regras de indu o etc H vantagens e desvantagens associadas a cada m todo que
79. ic cia de um sistema SOP A cria o de hierarquias pode refor ar o poder de um sistema SOP As hierarquias podem ser constru das directamente num sistema SOP ou podem ser importadas de outros sistemas como sistemas ERP ou SCM Se a hierarquia constru da directamente no sistema SOP ent o dever ser poss vel mapear a hierarquia SOP com a hierarquia do SCM e do ERP 12 Revis o Bibliogr fica O n mero de dimens es de uma hierarquia que pode ser constru do num sistema SOP limitado As dimens es mais utilizadas entre as ind strias s o tr s o produto o cliente e as dimens es geogr ficas A habilidade de modificar essas hierarquias importante pois elas podem mudar medida que a empresa cresce ou se a natureza do neg cio muda No ambiente competitivo de hoje mudan as como essas podem ser frequentes e as eventuais restri es no sistema SOP poder ser visto negativamente pela empresa utilizadora As caracter sticas discutidas acima permitem ao sistema SOP realizar simula es utilizando diferentes valores por exemplo receitas versus objectivos As simula es utilizadas pelo SOP tamb m ajudam a monitorar KPIs em diferentes cen rios empresariais Assim o SOP pode simular cen rios diferentes permitindo retirar conclus es sobre determinada situa o Por exemplo ap s o valores dos KPI serem fixados pela gest o de topo podem ser discriminados para os outros n veis utilizando a hierarquia que foi incorpo
80. icamente o tempo de execu o de um sistema SOP A maioria das implementa es de sistemas SOP demoram demasiado tempo a elaborar relat rios SCOR baseados em KPIs sendo esta caracter stica fundamental para qualquer sistema SOP Se essa capacidade n o suportada pelo sistema SOP ent o muito tempo ser gasto a identificar KPIs e em seguida construir relat rios sejam financeiros ou operacionais Um sistema SOP deve ser capaz de integrar com outros sistemas heterog neos A maioria das empresas possui um sistema transaccional normalmente um ERP Esses sistemas s o ricos em dados que as empresas poder o usar em seu benef cio Um sistema SOP deve ser capaz de extrair dados a partir destes sistemas para mostrar valores realistas de KPIs e de m tricas internas atrav s da aferi o de dados hist ricos Um sistema SOP deve tamb m ser capaz de integrar com um sistema SCM A integra o destes dois sistemas da empresa d a flexibilidade necess ria para permitir alterar dados no sistema SOP se determinados objectivos organizacionais n o est o a ser cumpridos Por 11 Revis o Bibliogr fica exemplo um gerente de vendas pode precisar de mudar a previs o de vendas de um determinado produto a fim de cumprir objectivos organizacionais para esse produto Com os dois sistemas integrados em vez de entrar no sistema de SCM para fazer essa mudan a esta pode ser efectuada directamente no sistema SOP e as informa es ser o actual
81. ido como fabrico anal tico Representa uma solu o de BI uma camada acima das tecnologias de fabrico tradicional permitindo que os utilizadores extraiam dados do seu ambiente de fabrico O que significa isso exactamente Digamos por exemplo que um fabricante produz autom veis e necessita de adquirir pe as para ve culos autom veis a partir de m ltiplos fornecedores Se estes componentes n o chegam a tempo isto ir afectar negativamente a sua produ o Fazendo uso de t cnicas de Data Mining num sistema ERP o fabricante pode optimizar os seus processos de fabrico pois pode e Distinguir quais dos seus fornecedores n o cumpre os prazos de entrega dos componentes e portanto optar por outro fornecedor e Decidir se diferentes processos de fabrico podem ser realizados antes da chegada dos componentes de forma a n o perder tempo na produ o O uso de Data Mining num ambiente ERP pode tamb m ajudar a reduzir os custos no mbito da sec o financeira bem como ajudar a extrair informa es importantes para os gestores de recursos humanos sobre os trabalhadores da empresa Por exemplo se uma especificidade necess ria para uma tarefa de fabrico o gestor de recursos humanos pode rapidamente levantar essas informa es e ter uma decis o acertada sobre se o empregado tem as habilita es mais adequados para essa tarefa Ao longo da ltima d cada a Internet mudou a forma como as organiza es fazem os n
82. ies forcing a significant change in the software business since mid 80s until approximately the mid 90s large industrial companies have chosen to have his com puter systems targeted in two The industrial system on one hand and the Administrative Finance on the other This way of see things had obvious reasons not to dissect in the begin ning was inefficient because it implied a level of redundancy of data and isolate the informa tion that obviously should not be separated Since then the situation changed and the business began to look for integrated solutions Only from this moment we can start talking about ERPs Enterprise Resource Planning in the market for small and medium industrial enterprises The main objective of this project was to replace the module of the commercial Din mica ERP with the latest technologies in the market Java Postgresql in order to make a great qua litative leap in the system both in technological terms and in usability Of course these motivations and goals forced a profound revolution in the habits of de veloping code and in the use of the available technology We must not forget that the current Din mica ERP is in the market since the beginning of the decade Undoubtedly the commercial module of this ERP is quite different from its predecessor for the better at all levels the technologies used to develop and in the appearance of all the software and the easy and intuitive that it is to u
83. inear e logar tmica an lise de agrupamentos an lise gr fica e visualiza es Existem alguns algoritmos empregues em Data Mining que n o s o normalmente utilizados pelos analistas mais experientes rvores de decis o algoritmos de redes neuronais e algoritmos de associa o depend ncia podem ser ferramentas anal ticas teis para o desempenho do analista A modula o por depend ncia utiliza m todos para descrever as depend ncias vari veis e as associa es O resultado deste algoritmo o que conhecido como associa es ou regras de depend ncia Estes algoritmos foram desenvolvidos para efectuar a an lise de mercados de dados Eles identificam grupos de itens no mercado que os clientes tendem a comprar em associa o com cada um dos outros Por exemplo os clientes tendem a comprar sab o cremes para o corpo e laca para o cabelo ao mesmo tempo O suporte de uma regra o seu significado estat stico do conjunto de dados A confian a uma medida da for a da regra em rela o ao conjunto de dados O problema de encontrar regras de associa o interessantes foi primeiro explorado por Agrawal Agrawal decomp s o problema de encontrar regras de associa o em duas partes A primeira centrou se em encontrar grandes conjuntos de itens Um grande conjunto de dados um conjunto de itens que t m o suporte da base de dados maior que o m nimo especificado pelo utilizador Depois de o grande conjunto de itens ser en
84. interessadas importante salientar que o processo de KDD n o linear Os resultados de uma fase do processo podem ser realimentados para essa fase ou para qualquer outra fase Os sistemas KDD actuais t m uma componente humana altamente interactiva Os seres humanos est o envolvidos em todos ou quase todos os processos de KDD Assim o processo KDD altamente interactivo e iterativo O Data Mining um passo no processo de KDD a parte do processo que necessita de mais pesquisa Os algoritmos de Data Mining encontram padr es em grandes quantidades de dados para montagem de modelos que n o s o necessariamente modelos estat sticos Isto feito dentro de limites computacionais tais como o tempo as respostas devem ser encontradas dentro de um quantidade finita de tempo e o hardware Data Mining pode ser utilizado para verificar uma hip tese ou utilizar um m todo j descoberto para encontrar novos padr es nos dados com que podem fazer novas previs es dos dados ainda n o tratados O termo Data Mining recente Antes Data Mining era conhecido na literatura como extrac o de conhecimento descoberta de informa o an lise explorat ria de dados e an lise e processamento de dados padr o As redes neuronais s o um modelo baseado em gr ficos sobre o sistema nervoso humano Trata se de um sistema de n s conectados organizados em m ltiplas camadas Na Figura 8 vemos que h uma camada de entrada
85. ior LP C Ni de itera es de aprendizagem da rede 500000 N Elementos do Conjunto de Treino 48 N Elementos do Conjunto de Teste 12 ERRO M DIO ABSOLUTO milhares de euros ERRO M DIO ERRO M XIMO ABSOLUTO milhares de euros ERRO M XIMO ERRO M DIO QUADR TICO Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Momentum 0 1 0 2 0 3 0 4 Learning Rate Learning Rate Learning Rate Learning Rate Learning Rate 0 5 43 750 41 167 88 000 26 083 0 5 9 500 9 892 18 121 5 924 0 5 144 000 88 000 247 000 57 000 0 5 29 570 36 022 39 711 19 355 0 5 0 00203 0 00180 0 00146 0 00229 0 6 62 667 67 083 70 250 36 917 0 6 10 894 12 483 14 047 7 073 0 6 370 000 349 000 142 000 108 000 0 6 62 606 59 052 27 099 17 574 0 6 0 00203 0 00180 0 00177 0 00263 0 7 42 500 54 583 172 417 49 917 0 7 10 826 18 158 40 067 10 904 0 7 144 000 254 000 479 000 104 000 0 7 39 785 124 731 173 118 32 258 0 7 0 00282 0 00174 0 00318 0 00162 0 8 43 917 88 167 53 167 38 167 0 8 10 812 23 499 11 553 6 978 0 8 204 000 358 000 175 000 235 000 0 8 50 495 136 022 30 645 39 763 0 8 0 00183 0 00250 0 00318 0 00247 Minimo 26 083 Media Maximo 61 172 172 417 Minimo 5 924 Maximo 13 796 40 067
86. irada de Caudill e Butler CB93 descreve o processo de Back Propagation Output response nonam assntxrosm ete cer OD x Es0m Input pattern Figura 11 Processo Back Propagation Este apenas um m todo de aprendizagem de uma familia de m todos de aprendizagem supervisionados por redes neuronais A finalidade a de prever uma ou mais vari veis alvo a partir de uma ou mais vari veis de entrada Sar94 a aprendizagem normalmente supervisionada por alguma forma de regress o Outro exemplo deste tipo de aprendizagem pode ser o da regress o polinomial onde aos termos do polin mio s o dados pesos constantes 30 Revis o Bibliogr fica Algoritmos do tipo K que s o um dos algoritmos de aprendizagem n o supervisionados mais simples para resolver problemas de agrupamentos O processo segue uma simples e f cil forma de classificar um determinado conjunto de dados atrav s de um certo n mero de clusters fixado a priori assume k O poder e a utilidade das redes neuronais t m sido demonstrados em v rias aplica es incluindo a sintetiza o de voz problemas de diagn sticos medicina neg cios e finan as controlo rob tico processamento de sinais vis o computacional e em muitos outros problemas que se inserem na categoria de padr es de reconhecimento As redes neuronais s o adapt veis a modelos estat sticos com base em analogias com a estrutura do c rebro Basicamente as redes neuronai
87. ise dos servi os de apoio ao cliente Monitoriza as tend ncias financeiras custos e receitas por cliente bem como contratos de presta o de servi os A solu o tamb m suporta an lises de base e proporciona an lises de garantias do cliente e Programa de gest o do projecto Monitoriza e controla projectos de dados e avaliar projectos no sentido de tentar optimizar custos do produto e Gest o da qualidade Permite o planeamento recolha e avalia o dos custos relacionados com a qualidade A solu o inclui funcionalidades de gest o da qualidade que fornecem dados para determinar pontua es definindo padr es de qualidade Enterprise Asset Management Realiza avalia es estrat gicas incluindo an lises do tempo m dio por repara o MTTR e tempo m dio entre repara es MTBR e Planeamento de vendas Define metas de vendas usando m ltiplas dimens es e principais caracter sticas integra e consolida o planeamento das vendas e o planeamento de marketing A solu o permite a gest o do territ rio de acordo com regi es linhas de produtos ou outras vari veis bem como a oportunidade de planeamento e an lise de parceiros e An lises de vendas Apresenta a organiza o das vendas com uma vis o precisa do desempenho actual das vendas e uma vis o geral da efic cia da for a de vendas A infra estrutura de TI e processos de neg cio apoiam o crescimento da empresa Mas como se sustenta um cresciment
88. it rio que fornecer e receber dados de diversos clientes Assim estamos perante uma arquitectura f sica segundo o modelo cliente servidor Figura 26 Servidor I Rede N B TY D Clientes Implementa o Figura 26 Modelo de Arquitectura f sica do jDx 4 1 2 2 Arquitectura M quina Cliente O JBUILDER l FR Servidor de Dados PostgreSQL Figura 27 Arquitectura do jDx A figura 27 identifica a arquitectura presente em todo o ERP jDx s o identificadas as ferramentas mais utilizadas no desenvolvimento do m dulo comercial e o seu interface com os utilizadores e o servidor de dados O acesso informa o produzida pelo jDx possibilita as seguintes funcionalidades Funcionalidades de autentica o Restantes requisitos funcionais 4 1 2 4 Servidor de dados Trata se de um servidor de dados utiliza o SGBD PostgreSql 4 1 3 Principais decis es de projecto do jDx 51 Implementa o O desenvolvimento de aplica es apresenta se maioritariamente como um processo bastante repetitivo Assim torna se importante definir um conjunto de caracter sticas gerais que se verificam nos diversos aspectos da aplica o O conjunto destas decis es dever permitir agilizar o processo de integra o de diversas funcionalidades de um mesmo m dulo e inclusivamente com m dulos externos como acontece no projecto global ERP que se pretende desenvolver No tocante ao m dulo comercial do
89. izadas no sistema de SCM automaticamente Um sistema SOP deve ser capaz de extrair dados de um sistema de BI tais como dados hist ricos e m tricas Para isso o sistema SOP deve estar no topo dos sistemas ERP BI ou SCM prefer vel que o fluxo de dados a partir destes sistemas seja bidireccional mas ainda hoje em alguns casos as limita es tecnol gicas restringem severamente o fluxo bidireccional Por exemplo os dados alterados num sistema SOP n o podem ser actualizados automaticamente num sistema de BI Para um sistema SOP ter esta capacidade deve ser constru do sobre uma plataforma que possa integrar sistemas heterog neos Esta deve ser uma caracter stica fundamental de um sistema SOP No caso de um sistema SOP stand alone o sistema dever ser capaz de carregar os dados de arquivos directamente tanto os dados transaccionais como os dados hist ricos O sistema deve tamb m ser capaz de fazer a leitura dos dados em arquivos e ent o carreg los de volta para o ERP BI SCM e outros sistemas ver Figura 3 Figura 3 Diagrama SOP O detalhe das caracter sticas de um sistema SOP muito importante pois este detalhe que determina como os gestores podem ver os KPIs a v rios n veis podendo ent o tomar as ac es apropriadas rapidamente se for necess rio O gestor por exemplo pode olhar para um invent rio a n vel nacional regional ou ao n vel de uma sucursal O detalhe das caracter sticas aumenta a ef
90. jDx as principais decis es de projecto foram 1 Independ ncia do idioma Neste momento o que est projectado e implementado ser automaticamente escolhido o idioma a utilizar pela aplica o em fun o da autentica o efectuada 2 Impress o Visualiza o Garantir que tudo o que pass vel de ser impresso seja tamb m visualiz vel no ecr Esta pode parecer uma decis o estranha mas trata se de uma luta antiga pois ainda hoje muitos dos utilizadores t picos arranjam todos os pretextos e mais algum para imprimir sem haver necessidade de tal 3 Erros Actualmente a linguagem de desenvolvimento adoptada o Java tal como muitas outras linguagens orientadas a objectos permitem o tratamento de erros atrav s do uso de excep es Assim este ser maioritariamente o mecanismo de processamento de erros do sistema A forma de apresenta o destes erros ao utilizador ser maioritariamente atrav s do recurso a janelas de di logo especialmente concebidas para o efeito e disponibilizadas pela plataforma de desenvolvimento As mensagens ser o adequadas o mais poss vel s situa es fornecendo ao utilizador uma clara ideia do tipo de erro que acabou de surgir e eventualmente de como o corrigir 4 1 4 As tecnologias As tecnologias escolhidas poder o condicionar totalmente a qualidade e o tempo de desenvolvimento do produto de software a desenvolver Assim uma boa escolha das mesmas ser de bastante import ncia e assume
91. l do ERP jDx esteja acabado e todos os outros m dulos conclu dos em 2010 o m dulo financeiro dever estar conclu do antes de Junho de 2009 e o m dulo de log stica em Junho de 2009 O trabalho ir assentar em tecnologias Java que como sabemos est o em constante actualiza o o que muito importante para o futuro do produto Todas as principais classes e relat rios a desenvolver ser o plenamente integrados no ERP no final deste projecto Como resultados esperados pretende se ter o m dulo comercial bem desenvolvido com as ferramentas mais recentes do mercado simples e f cil de usar para os utilizadores e capaz de enfrentar a concorr ncia no mercado das pequenas e m dias empresas da ind stria metalomec nica o mercado alvo que se pretende atingir O problema da redund ncia da informa o continua a ser um tema essencial em m ltiplas situa es 2 Introdu o As principais funcionalidades a incluir no m dulo comercial s o as seguintes Configura o dos par metros comerciais da empresa onde se configuram os v rios par metros da empresa tais como n meros de vias em papel dos documentos comerciais pasta onde se localizam os relat rios comerciais etc Manuten o do ficheiro de Clientes manuten o de todos os campos acess veis do ficheiro de clientes tais como nome morada website etc Manuten o do ficheiro de Artigos manuten o de todos os campos acess veis do ficheiro de
92. logias da Informa o e outras aptid es t cnicas sejam importantes para o sucesso das empresas os executivos dos mercados emergentes tem a possibilidade de gerir as mudan as e de pensar estrategicamente com o aux lio das compet ncias dos seus colaboradores para tomar as decis es nas suas empresas ao longo dos pr ximos tr s anos Mas eles tamb m reconhecem que o talento e essas habilidades ser o de longe as mais dif ceis de encontrar As empresas v o ter dificuldades para atender as expectativas de sal rio dos colaboradores mais talentosos A sa da de funcion rios crescente em lugares como a ndia e a China A maioria dos gestores temem a incapacidade de satisfazer as expectativas salariais dos colaboradores e esse ser um dos principais obst culos no sucesso das suas empresas As empresas t m de cuidar da imagem dos projectos e serem claras sobre o que que defendem Nutrir lealdade marca da empresa e aos seus valores passa a ser um factor cada vez mais importante das empresas na capacidade de atrair e reter funcion rios As empresas precisam ser mais criativas em descobrir onde e como fomentar talentos Isto poder significar a parceria com outras organiza es de forma o para criar cons rcios no sentido de garantir que as compet ncias exigidas continuam a crescer mas tamb m poder significar fornecer tecnologia para comunica es com as aldeias remotas para tornar mais f cil popula o local voltar a en
93. lu o da Taxa de Desemprego de entrada da rede neuronal Fonte I N E O ndice de Pre os no Consumidor IPC considera a varia o dos pre os calculado mensalmente e que toma por base os gastos das fam lias A figura seguinte representa a evolu o do ndice de pre os no consumidor entre Janeiro de 2005 e Dezembro de 2008 43 Especifica o do M dulo Comercial ERP jDx IPC ndice Pre os Consumidor 4 5 3 5 25 4 IPC ndice Pre os Consumidor 1 5 0 5 0 1 3 5 7 9 111315171921 232527 2931 3335 3739 414345 47 Figura 21 Par metro Evolu o de Pre os no Consumidor de entrada da rede neuronal Fonte I N E 3 4 Resumo e Conclus es A principal dificuldade sentida no desenvolvimento do m dulo comercial do ERP foi a consolida o de conhecimento sobre toda a tecnologia envolvida Os requisitos do m dulo comercial eram bem conhecidos partida as necessidades presentes e futuras dos clientes relativas ao software estavam tamb m dominadas No entanto foi um enorme desafio tirar partido destas tecnologias adaptando as aos requisitos do m dulo comercial 44 4 Implementacao O m dulo comercial desenvolvido implementa requisitos funcionais e n o funcionais Entre os requisitos funcionais enumeram se a modela o do estado interno persistente e partilhado do sistema a estrutura de documentos trocados entre o sistema e o
94. m todos apropriados para a sua recupera o extrac o e manipula o de forma manej vel para fins de an lise O resultado da resposta a estes requisitos foi a cria o de uma rea conhecida como Business Intelligence BI Atrav s da utiliza o de BI tanto organiza es p blicas como privadas podem aplicar t cnicas data mining para identificar as tend ncias a demografia as prefer ncias dos consumidores os padr es ou para orientar a publicidade de um produto ou servi o relevante para um determinado segmento populacional Algumas das aplica es mais populares do conceito de Data Mining s o as seguintes 15 Revis o Bibliogr fica Detec o de fraudes An lise da qualidade de defeitos Supply Chain Management SCM Contrata o com especificidades A cria o de valor que Data Mining e Business Intelligence podem representar numa empresa a capacidade de identificar tend ncias e mudan as nos padr es de procura por parte dos clientes isto a capacidade de perceber as necessidades actuais ou tend ncias dos clientes Tal facto pode ajudar as empresas na gest o dos seus processos reduzindo custos aumentando as receitas das vendas e criando novas oportunidades de neg cio O conceito de Data Mining pode ser e usado com vantagem em ERPs a v rios n veis No que diz respeito extrac o de dados num ERP muitas empresas est o a transformar o que conhec
95. m da rede para prever as vendas mensais de 2008 Dos par metros seleccionados para teste foram escolhidos inicialmente os 4 seguintes n de funcion rios NF Produto Interno Bruto PIB ndice de Pre os no Consumidor IPC e Taxa de Desemprego TD Os resultados obtidos s o apresentados na tabela seguinte Tabela 1 55 Implementa o Previs es Vendas Mensais Ano 2008 4 Par metros Back Pri N de Funcion rios PIB IPC Taza de Desemprego N de itera es de aprendizagem da rede 500000 N Elementos do Conjunto de Treino 48 N Elementos do Conjunto de Teste 12 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 34 083 33 417 24 833 56 417 M nimo ERRO M DIO 0 2 55 417 34 667 27 667 80 083 24 833 M dia ABSOLUTO 0 3 51 000 60 917 84 167 76 750 M ximo 66 479 milhares de euros 0 4 125 083 88 583 129 500 101 083 129 500 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 7 718 6 817 4 855 13 078 M nimo ERRO M DIO 0 2 12 367 6 898 6 814 15 820 4 855 M dia 0 3 10 360 14 246 16 729 15 686 Maximo 13 765 0 4 23 890 19 383 24 883 20 699 24 883 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 89 000 75 000 60 000 116 000 Minimo ERRO MAXIMO 0 2 103 000 99 000 58 000 251 000 58 000 M dia ABSOLUTO 0 3 98 000 173 000 169 000 149 000 M ximo 184 875 milhares de euros 0 4 425 000 403 000 475 000 215 000 475 000 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 25 806 18 564 14 851 44 624 M nimo ERRO M XIMO 0 2 32 796 16 751 29
96. mensionais A camada oculta possui cinco unidades A camada de sa da possui seis unidades que indicam as condi es de Julgamento da superf cie da ma Em 2004 Leemans e Destain LD04 propuseram um m todo de classifica o hier rquica com base na presen a de defeitos e aplicado a ma s do tipo Jonagold V rias imagens que cobrem a superf cie dos frutos foram tiradas por uma m quina prot tipo Estas imagens foram ent o segmentadas e as caracter sticas dos defeitos extra das Os defeitos foram caracterizados por par metros cinco para a cor quatro para a forma cinco para a textura e um para a sua posi o Esta base de dados uma tabela din mica A tabela 32 Revis o Bibliogr fica bastante reduzida para frutos saud veis mas incluem mais de uma centena de par metros para alguns tipos de defeitos Na classifica o de vinhos a avalia o da sua qualidade desempenha um papel muito importante tanto para o fabrico como para a venda Historicamente a qualidade ou a origem geogr fica do vinho foi determinada apenas atrav s de degusta o de vinho por peritos Contudo mais recentemente existem instrumentos mais avan ados dispon veis Por conseguinte parece razo vel para determinar o mbito geogr fico das origens do vinho utilizar t cnicas fi veis de an lise qu mica combinadas com m todos m tricos modernos em vez da tradicional prova de vinho dos peritos No que diz respeito an lise d
97. n a utilizando como linguagem de desenvolvimento o ABAL e como sistema de gest o de bases de dados o Dialogue3 Devido antiguidade do sistema que actualmente comercializado pela Din mica sentiu se a necessidade de o substituir por um novo utilizando as ltimas tecnologias presentes no mercado e que em termos de funcionalidades superasse as j conhecidas pelos utilizadores habituados ao sistema antigo e que ultrapasse os constrangimentos comerciais que o sistema antigo sofre pura e simplesmente j n o comercializ vel nos dias de hoje Pretende se implementar um sistema que tenha todas as funcionalidades do sistema antigo e que acrescente novas funcionalidades nomeadamente as exigidas pelas novas realidades do mercado e principalmente facilidade de utiliza o o sistema antigo ainda foi todo desenvolvido em 80 colunas por 25 linhas 1 4 Estrutura da Disserta o Para al m da introdu o esta disserta o cont m mais 5 cap tulos No cap tulo 2 descrito o estado da arte e s o apresentados trabalhos relacionados No cap tulo 3 s o descritas as especifica es do projecto e a descri o do problema No cap tulo 4 descrita a implementa o do projecto No cap tulo 5 s o efectuadas as conclus es do projecto e definido em tra os gerais o trabalho futuro Por fim no cap tulo 6 s o apresentadas as refer ncias bibliogr ficas e as refer ncias a artigos 2 Revisao Bibliografica 2 1 Introdu
98. nidade O projecto resultante chamado Postgres era orientado a introduzir a menor quantidade poss vel de funcionalidades para completar o suporte a tipos Estas funcionalidades inclu am a habilidade de definir tipos mas tamb m a habilidade de descrever rela es as quais at este momento eram amplamente utilizadas mas completamente mantidas pelo utilizador No Postgres a base de dados compreendia as rela es e podia obter informa es de tabelas relacionadas utilizando regras Revis o Bibliogr fica Iniciando em 1986 a equipa divulgou uma s rie de documentos descrevendo a base do sistema e em 1988 o projecto possu a um prot tipo funcional A vers o 1 foi lan ada para um grupo pequeno de utilizadores em Junho de 1989 seguida pela vers o 2 com um sistema de regras reescrito em Junho de 1990 Para a vers o 3 lan ada em 1991 o sistema de regras foi reescrito novamente mas tamb m foram adicionados suporte para m ltiplos gestores de armazenamento e um motor de consultas melhorado Em 1993 Postgres havia crescido imenso em popularidade e possu a uma grande procura por suporte e por novas funcionalidades Ap s o lan amento da vers o 4 a qual era uma simples vers o de limpeza o projecto foi oficialmente abandonado pela Universidade de Berkeley Entretanto devido ao facto do seu c digo fonte estar sobre uma licen a BSD o seu desenvolvimento foi continuado Em 1994 dois estudantes de Berkeley Andrew Yu e Jolly Chen
99. no etc O PIB um dos indicadores mais utilizados na macro economia com o objectivo de medir a actividade econ mica de uma regi o A figura seguinte representa a evolu o do PIB entre Janeiro de 2005 e Dezembro de 2008 41 Especifica o do M dulo Comercial ERP jDx Evolu o do P I B 2 5 4 Evolu o do P I B o TrTrrTrrrrrrrrr trrtr ttrtretrttttrtttttrttvttetbttrtttttrttbtetttttp TT 13 5 7 9 11 1315 1719 21 23 25 27 29 31 33 35 37 39 41 43 4 47 1 Figura 19 Par metro Evolu o do P I B de entrada da rede neuronal Fonte I N E Na economia taxa de desemprego representa a percentagem de pessoas capazes de exercer uma profiss o e que procuram um emprego remunerado mas que por diversas raz es n o entram no mercado de trabalho Tamb m podem estar inclu dos na taxa de desemprego aqueles que exercem trabalhos n o remunerados A taxa de desemprego o n mero dos trabalhadores desempregados dividido pela for a de trabalho total A figura seguinte representa a evolu o da taxa de desemprego entre Janeiro de 2005 e Dezembro de 2008 42 Especifica o do M dulo Comercial ERP jDx Evolu o da Taxa Desemprego 8 6 8 4 8 2 7 8 7 6 Evolu o da Taxa Desemprego TA 7 2 6 8 6 6 eet 1 3 5 7 9 11131517 1921 2325 27 2931 3335 3739 4143 4547 Figura 20 Par metro Evo
100. nsformada de Wavelet juntamente com o c lculo dos coeficientes de correla o no dom nio do tempo dom nio da rede neuronal As m quinas de vis o e o processamento de imagem t m sido cada vez mais utilizados em aplica es agr colas especialmente para detec o do estado de culturas e suas colheitas A estimativa do tamanho do fruto permite obter uma boa ideia da qualidade da produ o O reconhecimento do contorno circular dos frutos tem sido muito investigado e tem muitos dom nios de aplica o nas ind strias alimentares Uma variedade de classificadores e v rios recursos foram utilizados por Goksel e Parrish GP77 para identificar a fundo das frutas Foram utilizadas imagens monocrom ticas refor ada por filtros de cor para identificar as colheitas das ma s Abate e Harrell AH87 utilizaram a cor das imagens para distinguir os citrinos O limiar de tonalidade foi encontrado usando curvas de reflexo no espectro de frequ ncia Foram utilizados outros recursos para tratar o problema da identifica o dos citrinos continuando a cor ser uma das funcionalidades mais utilizadas O recurso simples de usar e conduz a bons resultados Para al m de extrair caracter sticas diferentes para identificar as frutas Molto Mol92 utilizou diferentes classificadores baseados em redes neuronais Onyango e Marchant OM03 descreveram o desempenho de um classificador Bayesiano em compara o com uma rede neuronal baseada num classifica
101. ntando para isso com os seus colaboradores Capacitar os funcion rios dando lhes informa o atempada aumenta a produtividade e isso exactamente o que faz um sistema integrado de informa o um ERP Aplicar pr ticas comerciais inteligentes como a delega o da tomada de decis o pode ajudar a controlar o desperd cio de trabalho Mas estas pr ticas s funcionam quando os gestores fornecem s pessoas a informa o certa no momento certo para que eles possam gerir as suas responsabilidades Isto especialmente verdadeiro para os empregados que fazem o interface com o cliente Muitas oportunidades para o aumento de produtividade dos empregados podem ser encontradas em reas que n o fazem parte da produ o directa ou dos custos de produ o Isto pode parecer um contra senso uma vez que a justifica o para muitas implementa es de sistemas ERP est reduzido a invent rios de finan as Por exemplo se uma empresa tem uma produ o eficiente e um bom controlo de mat rias primas um gestor pode sentir que a oportunidade de aperfei oamento fora dessas reas limitada Mas a verdade que o uso de um sistema ERP pode ajudar a criar um ambiente que estimule indirectamente o aumento de produtividade Nos anos noventa os tradicionais pacotes de software dos sistemas de informa o da empresa eram constru dos para o back office n o sendo por isso nessa altura importante desenvolver o software que faz o interface com o clie
102. nte eram fun es somente realizadas pelos funcion rios das empresas Estes pacotes tradicionais exigiam uma ampla integra o com as infra estruturas tecnol gicas e envolviam implementa es onerosas e demoradas Uma desvantagem ainda maior o facto destes pacotes se tornarem cada vez mais dif ceis de manter e actualizar rendendo pouco valor comercial para os investimentos realizados Actualmente o esfor o humano tamb m tem evolu do e muito mais descentralizado globalmente disperso colaborativo e efectuado muitas vezes on line exigindo assim sistemas de software flex veis A converg ncia das tend ncias tecnol gicas como o surgimento da Web 2 0 os produtos open source os servi os Web o desenvolvimento orientado a objectos criou a necessidade de adop o de novas plataformas Em resposta a estes requisitos surge ent o uma nova gera o de solu es ERP que oferecem inigual vel agilidade e facilidade de uso com menor custo total de propriedade e apresentam as seguintes caracter sticas e On demand a entrega efectuada com base na Web apresenta uma arquitectura multi plataforma disponibilidade permanente 24 horas por dia e seguran a refor ada Revis o Bibliogr fica gil e Global rapidamente se adapta para atender s necessidades empresariais de mudan a Intuitiva constru da para a gera o actual onde os empregados s o pessoal qualificado oferece relat rios e ferramentas anal
103. o mantido implicitamente no peso das conex es Est ent o o conjunto treinado e pronto para resolver um caso novo A utiliza o de redes neuronais para resolver problemas n o lineares complexos n o constitui novidade Algumas das aplica es presentes no mercado envolvendo estas tecnologias s o a detec o de fraudes em cart es de cr dito reconhecimento na escrita de caracteres e detec o de culpa em situa es de condu o de autom veis Apesar da grande variedade de aplica es todas elas podem ser categorizadas como problemas padr o Por outro lado Data Mining uma nova rea introduzida em 1993 por Agrawal Imielinske e Swami a partir de uma base de dados de vendas de uma organiza o A aplica o conhecida como Market Basket Analysis No entanto Data Mining continua a ser usado para resolver tarefas de classifica o extraindo regras entre as rela es dos atributos em previs o e metas Alguns autores t m proposto um novo modelo geral CBA Classification Based Association que consiste em duas partes uma regra gerada CBA RG que se baseia num algoritmo priori e um construtor de classifica es CBA CB que baseado num algoritmo ing nuo Podem se usar estes algoritmos tamb m para construir um modelo de detec o de intrusos O objectivo ser capaz de aprender as regras que capturar com precis o do comportamento dos intrusos Embora a rede neuronal seja eficiente na r
104. o colaborador de armaz m at ao respons vel pela empresa vemos que os utilizadores s o bastante heterog neos a todos os n veis quer em termos de conhecimentos inform ticos quer em termos de conhecimento sobre a institui o quer ainda em termos de forma o geral Raz o pela qual se deve ter em aten o no desenvolvimento das m scaras de interface com os utilizadores o utilizador potencial de forma a maximizar a sua adaptabilidade 4 1 A implementa o do M dulo Comercial A defini o de uma correcta e adequada estrutura l gica de alto n vel para a cria o de software determinante para o sucesso e longevidade do produto No entanto como em qualquer sistema o desempenho e a velocidade est o relacionados com a quantidade de subsistemas utilizados Isto mais subsistemas implicam mais interfaces logo existe grande probabilidade de obter menor velocidade usando muitos subsistemas ainda verdade que mais subsistemas implicam em princ pio mais pe as de software pelo que a probabilidade de colapso do conjunto parece tamb m aumentar Sabemos que isto n o consensual mas a opini o do autor Mas o c lculo probabil stico tamb m n o ajuda a alterar esta opini o pois por exemplo partindo do princ pio que para que exista sucesso num voo seja necess rio chegar ao destino com metade dos motores em funcionamento apenas se considera esta condi o nesta modeliza o simplista prova se que para uma dada g
105. o dos artigos em stock e formular previs es respeit veis Esse mesmo estudo indica que o m todo Back Propagation considerado um standard em problemas de muitos dom nios em especial na previs o Um exemplo de aplica o por parte da ind stria da an lise de um elevado volume de informa o foi dado pela Wrangler um fabricante de roupas masculinas utilizando redes neuronais num esfor o para melhorar a sua reengenharia total na cadeia de abastecimento Neste estudo foi utilizada uma rede neuronal feed forward para gerar previs es da procura dos clientes o que permitiria conseguir um bom planeamento da produ o Os resultados mais vis veis deste trabalho foram o aumento do volume de vendas e a diminui o do investimento no stock de produtos quer para a empresa quer para os seus clientes Este caso de estudo tem funcionado t o bem que agora os retalhistas partilham a publicidade e os planos de promo o num esfor o para afinar invent rios e reconstitui es de stock Actualmente s o efectuadas melhores previs es baseadas na procura dos consumidores registou se uma melhoria significativa nos processos de produ o grandes redu es nos ciclos de produ o efectuou se uma reengenharia nos sistemas de distribui o e est em curso um programa de reaprovisionamento cont nuo Em suma conseguiu se neste caso reduzir o invent rio produzir com custos mais baixos aumentar as vendas e melhorar a rentabilidade
106. o inseridos apenas uma vez Al m disso ao fazer uso de r dio frequ ncias as identifica es efectuadas pelos dispositivos m veis de recolha de dados v o ser ainda mais eficientes fi veis e flex veis Para beneficiar destas ferramentas aplicativos e fontes de dados t m de ser integrados tanto quanto poss vel para evitar a duplica o de dados Isto significa uma integra o das aplica es da empresa EAI Enterprise Application Integration incluindo um portal quando necess rio Com base no conceito EAI os processos de neg cio podem perfeitamente incluir v rias ferramentas e aplicativos assegurando a coer ncia de dados entre os v rios m dulos dos sistemas de software Ao mesmo tempo o portal oferece aos usu rios acesso a todas as aplica es processos e dados que precisam de uma interface gr fica Assim os utilizadores ter o uma vis o completa dos activos incluindo informa es comerciais t cnicas de rede e informa es geogr ficas Os utilizadores podem ent o mais facilmente tomar decis es sobre as informa es que est o dispon veis 2 3 Tecnologias da Informa o nas Empresas Enquanto os efeitos da recess o amea a os mercados e a riqueza do mundo as empresas das economias emergentes est o em constante desenvolvimento e espalham o seu alcance escala global A maioria das empresas de mercados emergentes poder proporcionar uma enorme oferta de trabalho para apoiar o crescimento mas a expans
107. o rent vel Com din mica global competitiva que o novo desafio Como que se Fabrica com precis o e efici ncia e Gere o inesperado com falta de material para as pressas imposi es do cliente Aperta a cadeia de abastecimento e racionaliza processos para reduzir custos melhora a margem e fortalece a posi o competitiva e Disponibiliza um servi o superior que constr i relacionamentos de longa dura o Acelera a introdu o de novos produtos A funcionalidade de gest o de relacionamento com clientes do SAP Business All in One ajuda as m dias empresas a melhorar o marketing vendas e gest o dos servi os A integra o com as funcionalidades do ERP ajuda a reter clientes atrav s de processos de neg cio optimizando recursos e melhorando a segmenta o de marketing para impulsionar a procura permitindo a vis o relativa a todas as informa es dos clientes gerindo ciclos de vendas para ganhar mais neg cios e prestando servi os de excel ncia que permitem manter clientes e aumentar as receitas de servi o An lises robustas proporcionam tamb m a visibilidade em tempo real dos principais indicadores de desempenho em todas as fun es As empresas t m crescido rapidamente os processos que funcionavam bem antes podem parecer pesados e ineficientes hoje Isso significa novos desafios e novas oportunidades Como se pode afinar opera es para reduzir custos e eliminar erros Como se pode continuar a proporciona
108. or IPC e taxa de desemprego TD A tabela 6 apresenta os resultados obtidos Previs es Vendas Mensais Ano 2009 4 Par metros Back Pri N de Funcion rios PIB IPC Taxa de Desemprego N de itera es de aprendizagem da rede 500000 N Elementos do Conjunto de Treino 60 N Elementos do Conjunto de Teste 5 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 32 000 74 200 84 200 120 400 M nimo ERRO M DIO 0 2 76 400 77 000 66 600 82 400 32 000 M dia ABSOLUTO 0 3 104 600 61 200 144 400 53 400 Maximo 83 809 milhares de euros 0 4 60 400 109 333 111 500 82 917 144 400 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 8 475 19 310 26 305 35 041 M nimo ERRO M DIO 0 2 25 309 24 295 15 451 24 156 8 475 M dia 0 3 32 085 17 669 46 770 13 350 M ximo 23 051 0 4 17 312 23 283 23 653 16 357 46 770 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 98 000 132 000 157 000 200 000 Minimo ERRO MAXIMO 0 2 135 000 164 000 190 000 108 000 89 000 M dia ABSOLUTO 0 3 171 000 106 000 304 000 120 000 Maximo 161 375 milhares de euros 0 4 89 000 201 000 207 000 200 000 304 000 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 30 818 41 509 49 371 74 074 M nimo ERRO M XIMO 0 2 50 000 60 741 30 794 38 148 22 222 M dia 0 3 54 984 34 084 97 749 22 222 Maximo 47 124 0 4 32 963 51 613 51 075 33 841 97 749 Learning Rate 0 5 0 6 0 7 0 8 Momentum 0 1 0 00458 0 00502 0 00433 0 00380 Minimo ERRO M DIO 0 2 0 00295 0 00434 0 00445 0 00605 0
109. os constituintes do vinho h muitos relat rios que efectuaram a an lise dos compostos relativos ao aroma do vinho para a determina o dos seus constituintes tais como cidos e conservantes Linskens e Jackson LJ93 descreveram v rios m todos de an lise vinho Em Sun et al Sun97 foi utilizado um modelo de redes neuronais de tr s camadas utilizando Back Propagation para classificar os vinhos em seis amostras de diferentes regi es com base na medi o dos vest gios de B V Mn Fe Al Zn Cu Sr Ba Rb Na Mg K P Ca usando um ICP OES Sun Sun97 mediu em quinze elementos os valores de concentra o mg L em dezassete comprimentos de onda diferentes para cada amostra de vinho servindo o seu vector de concentra o ap apl ap17 como entrada padr o Por isso a camada de entrada continha 17 n s de entrada A camada de sa da cont m seis n s referentes a seis origens geogr ficas diferentes Durante o processo de aprendizagem da rede uma s rie de padr es de entrada ou seja 17 vectores de concentra o com seus correspondentes padr es de sa da esperados ou seja a verdadeira classe das amostras de vinho foram apresentadas rede para aprendizagem com a liga o entre os n s com pesos diferentes ajustados em camadas de uma forma iterativa pelo algoritmo Back Propagation A fim de obter um modelo de redes neuronais ptimo foram testadas diversas arquitecturas de rede Recentemente
110. para fornecer feedback aos processos empresariais Data mining num ERP que tamb m pode ser considerado BI Business Intelligence um t pico extenso e modular Na banca por exemplo utilizado Data Mining em tempo real para determinar os padr es de cr dito e d bito das transac es olhando para poss veis utiliza es fraudulentas Tamb m usado para procurar anomalias nas transfer ncias de fundos olhando principalmente para a fraude Data Mining no sector banc rio usado para procurar transac es comerciais anormais como transac es sem cr dito para analisar dados hist ricos para pesquisar tend ncias de mercado para realizar exames de rentabilidade do servi o e muitas mais opera es Em vendas Data Mining usado na an lise do desempenho dos vendedores clientes e compradores bem como a evolu o das vendas de produtos garantias mercados e rentabilidade Qualquer ind stria possui interesse na extrac o e an lise destes dados A n vel t cnico a constru o de armaz ns de dados permite apresentar informa es que v o ser analisadas estatisticamente com base em colheita de informa es do sistema ERP A n vel empresarial que impulsiona o n vel t cnico as informa es s o analisadas para prever o lucro atendimento ao cliente ou a seguran a O uso de sistemas ERP e CRM gera inevitavelmente enormes quantidades de dados Estes dados requerem armazenamento e
111. para remover esses tipos de anomalias Esta etapa do processo pode ser a mais demorada Data Mining constitui um passo no processo KDD Os dados transformados s o utilizados no processo de Data Mining nesta etapa que efectuada uma busca dos padr es mais interessantes A pesquisa de padr es feita num contexto de Data Mining e o modelo de 22 Revis o Bibliogr fica representa o em que essa an lise est a ser executada importante nesta fase decidir sobre o algoritmo de Data Mining mais adequado linear regress o redes neuronais regras de associa o etc para a extrac o de dados Os padr es gerados no Data Mining podem n o ser novos ou interessantes necess rio portanto remover padr es redundantes e irrelevantes do conjunto til dos padr es Quando um conjunto de padr es bons descoberto eles t m de ser comunicados ao utilizador final Isto pode ser feito textualmente em forma de relat rios ou usando visualiza es como gr ficos folhas de c lculo ou diagramas etc A etapa de interpreta o transforma os resultados recolhidos em conhecimento Esta interpreta o pode exigir resolver poss veis conflitos com conhecimento anteriormente descoberto pode at acontecer estar em conflito com o conhecimento que se acreditava antes de o processo se iniciar Quando isto feito para a satisfa o do utilizador o conhecimento documentado e comunicado a todas as partes
112. que fazer com que eles fa am sentido Ser capaz de encontrar rela es em grandes quantidades de dados armazenados pode conduzir a uma melhoria das estrat gias de an lise em dom nios como o marketing vendas e an lise dos dados em geral O problema em KDD consiste em encontrar padr es nestas quantidades enormes de dados Tradicionalmente os dados foram analisados manualmente mas existem limites humanos As grandes bases de dados oferecem demasiados dados para analisar na forma tradicional KDD emprega m todos de v rios campos tais como intelig ncia artificial aprendizagem de m quinas padr es de reconhecimento gest o de dados e design estat sticas sistemas periciais e visualiza o de dados Ele emprega um modelo de vista mais amplo do que estat sticas e esfor a se por automatizar o processo de an lise de dados incluindo a arte da cria o de hip teses KDD tem sido formalmente definido como processo n o trivial de 21 Revis o Bibliogr fica identifica o de padr es v lidos potencialmente teis e em ltima inst ncia compreens veis dos dados KDD um processo altamente iterativo com processos passo a passo conforme a figura seguinte N o cu cnh zi C Di 3 ns 4 0 ROM nb E PR y yA agit QN get p ye Cc 0 Data s Target Clean Transformed Report 4 Patterns Data Data Data Results 1 io i gt Organizational Knowledge Data Figura 7 O Processo
113. r melhores produtos servi os e apoio do que os concorrentes Como se identifica adquire e conserva clientes e se mant m as vendas no alvo para financiar o crescimento 14 Revis o Bibliogr fica enquanto se cumpre todas as outras metas Estas perguntas mant m qualquer um acordado durante a noite As funcionalidades de um CRM podem ajudar Normalmente s o pr configurados para satisfazer as necessidades do r pido crescimento das m dias empresas prevendo uma vis o de 360 graus dos clientes gerando informa es para agilizar os fechos dos neg cios Pode se impulsionar a procura dos clientes e aumentar o ROI optimizando os recursos no mercado executar campanhas organizar e gerir o fecho de novos neg cios 2 5 Data Mining Na avalia o e selec o do software a cria o de valor est na qualidade informa o imparcial sobre os fornecedores sobre os seus produtos e servi os O desperd cio o tempo excessivo por vezes gasto na recolha e avalia o de informa es Uma empresa n o deve sacrificar a qualidade da informa o para tentar reduzir estes desperd cios Em vez disso deve retirar as ac es que n o criam valor e agilizar aquelas que permitem uma solu o adequada para ser implementada Data Mining significa usar de forma eficiente dados que foram recolhidos para an lise isto olhar para os padr es tend ncias e oportunidades e ir o mais longe poss vel retirando conclus es fundamentadas
114. rada no sistema SOP O inverso tamb m pode ser conseguido Esta caracter stica muito importante porque ajuda a gest o de topo no teste de v rios cen rios Os mais avan ados sistemas de SOP possuem ainda tarefas para gest o de m dulos Estes m dulos podem ter fluxos de dados incorporados que s o integrados como gestores de tarefas Assim o sistema pode enviar correio electr nico para a pr xima pessoa do fluxo de trabalho para realizar uma tarefa espec fica ap s a tarefa anterior ter sido conclu da Tamb m poss vel monitorar o estado de uma tarefa mostrando qual a percentagem entretanto conclu da o que d uma representa o visual do volume de trabalho que ainda resta fazer As tarefas podem ser constru das hierarquicamente o que permite assim definir tarefas a v rios n veis Estes n veis podem ser mapeados para os n veis na hierarquia da empresa Uma hierarquia de tarefas tamb m ajuda a coordenar as diversas tarefas do planeamento SOP como um todo SOP auxilia as empresas a definir o seu plano t ctico ap s ter sido efectuado o planeamento estrat gico Um amplo sistema SOP pode simplificar o ciclo do planeamento e de fluxo de informa o entre diferentes entidades dentro da empresa Os sistemas SOP est o em evolu o lenta em sistemas complexos medida que novas funcionalidades s o constantemente adicionadas Os sistemas SOP s o hoje uma parte integrante de qualquer empresa Em alguns casos as funcionalidade
115. real ar as seguintes Execu o de fun es no c digo do pr prio servidor escritas em diversas linguagens realcem se as seguintes PL pgSQL linguagem nativa do postgreSQL C C ou Java Defini o de triggers sobre tabelas Gest o de acessos concorrentes Variad ssimos tipos de dados Cria o de objectos definidos pelo utilizador Heran a de atributos duma tabela pai para uma tabela filha Transac es Foram essencialmente os aspectos de gratuitidade e fiabilidade aliado a j estar no mercado ha muito tempo e com boas indica es em f runs que estiveram na base da nossa escolha 4 1 4 4 Jasper Report no fundo o motor que faz a liga o do iReport ao PostgreSQL Na sua classe e em termos de free software pareceu nos a melhor op o 4 1 4 5 iReport um editor de formul rios gratuito que trabalha muito bem com o Jasper Report Logo ap s a escolha do Jasper Report a do iReport de alguma forma natural 4 2 A implementa o do Quadro de Bordo O Quadro de Bordo a s ntese de informa o considerada til para a gest o de uma empresa Compara as vendas mensais do ano em curso com as do ano anterior Auxilia em termos financeiro no sentido de agrupar por idades as contas correntes de clientes e de fornecedores Cont m ainda informa o das encomendas de clientes e fornecedores em aberto tamb m por idades 53 Implementa o A selec o da cla
116. rede possui neur nios de entrada e neur nios de sa da Os neur nios de entrada cont m os valores de entrada isto as caracter sticas usadas para descrever um problema espec fico Os neur nios de sa da apresentam o resultado do problema Rede de m ltiplas camadas Os neur nios est o agrupados em camadas existindo al m das camadas de entrada e sa da uma ou mais camadas interm dias As redes neuronais aprendem por exemplos sendo determinados os dados representativos de um problema e invocando em seguida algoritmos treinados de forma a aprender a estrutura destes dados Naturalmente que o utilizador tem de ter bons conhecimentos para seleccionar os dados apropriados a um problema espec fico A an lise das redes neuronais agora centrada nas redes multi camada por ser esta a topologia usada neste projecto De entre estas usa se a rede multi camada feed forward Neste tipo de redes neuronais cada neur nio de uma camada possui unicamente conex es para todos os outros neur nios da camada seguinte Uma rede multi camada feed forward com uma adequada estrutura de pesos pode ser usada para modelar alguns mapeamentos entre conjuntos de vari veis de entrada e sa da Output layer Hidden layer Input layer Figura 10 Rede feed forward A Figura 10 mostra um exemplo de uma rede com arquitectura feed forward com tr s unidades de sa da e uma camada oculta que pode ser formada usando
117. resentado a esta um conjunto de exemplos ou observa es com os quais a rede deve aprender Para uma dada observa o comparado o valor de cada unidade de sa da calculada pela rede com o valor esperado para essa observa o erro Todas as observa es s o apresentadas rede e os pesos s o modificados de acordo com uma regra delta generalizada de modo a diminuir o valor do erro Este processo de realimenta o dos sinais e de propaga o dos erros repetido iterativamente at uma condi o de paragem ser satisfeita A paragem pode ser definida com um valor limiar do erro m dio quadr tico ou atrav s de um valor m ximo de itera es 37 Especifica o do M dulo Comercial ERP jDx Depois da rede treinada e os seus pesos obtidos podemos utilizar este algoritmo para efectuar a previs o Estimate error from observed dataset back propagate errors Process repeated hundreds of iterations to minimize errors Assign weights to estimate output Presence 1 or absence 0 of a transition Input Units Hidden Units Output Unit Figura 14 Arquitectura de uma rede neuronal Back Propagation A empresa usada para a recolha das observa es exemplos usadas na fase de aprendizagem da rede neuronal uma conhecida PME metalomec nica nacional de fabrico de mobili rio met lico para escrit rio A selec o correcta dos par metros usados na aprendizagem da rede valores da camada de entrad
118. s b sicas de um sistema SOP s o fornecidas com um sistema transaccional ERP ou um sistema de SCM Estas funcionalidades cobrem os requisitos b sicos de uma empresa mas est o muito aqu m de um verdadeiro sistema SOP 2 4 2 Casos de estudo de ERPs existentes Nesta sec o apresentado e analisado um sistema ERP bem conceituado no mercado o SAP O ERP da SAP fornece caracter sticas e fun es para an lise operacional que auxiliam a optimizar toda a cadeia de abastecimento a melhorar as receitas e aumentar a satisfa o do cliente A solu o inclui funcionalidades e fun es que suportam as seguintes actividades Acompanhamento de aquisi es Monitoriza as opera es de compra sendo fornecida uma an lise detalhada das actividades e processos de compra e Invent rio e gest o de armaz ns Avalia o stock real da organiza o baseado em crit rios de quantidade e de valor Analisa as actividades dos armaz ns tais como o fluxo f sico de materiais e cargas 13 Revis o Bibliogr fica e Relat rios da produ o Fornece diversos relat rios padr o e an lises de produ o detalhando informa es relacionadas e An lise do cumprimento de encomendas Avalia e melhora o cumprimento das encomendas utilizando indicadores chave de desempenho KPIs para transporte e gest o de encomendas medidas de desempenho estrat gico ou estat sticas necess rias para a optimiza o da cadeia de abastecimento e An l
119. s s o constru das a partir de unidades simples algumas vezes chamadas de neur nios ou c lulas por analogia com a realidade Estas unidades est o ligadas por um conjunto de liga es ponderadas A aprendizagem normalmente realizada por modifica o dos pesos das liga es Cada unidade corresponde aos c digos ou padr es de uma caracter stica que queremos analisar ou que se deseja utilizar como previs o Estas redes organizam se normalmente em unidades com v rias camadas A primeira camada chamada de camada de entrada e a ltima de camada de sa da As camadas interm dias se as houver s o chamadas de camadas escondidas A informa o a ser analisada alimentada com os neur nios da primeira camada e depois propagadas para os neur nios da segunda camada para posterior processamento O resultado deste tratamento ent o propagado para a pr xima camada e assim sucessivamente at ltima camada Cada unidade recebe informa es provenientes de outras unidades ou a partir do mundo externo atrav s de dispositivos e os processos destas informa es ser o convertidos na sa da da unidade A camada de entrada tem os atributos que participam na classifica o Os valores de entrada s o os valores dos atributos para cada tuplo de dados O n mero de n s na camada de entrada geralmente definido com base em diferentes tipos de dom nios de atributos As camadas ocultas s o constru das no processo de aprendizagem com base
120. se it The method of neural networks Back Propagation to predict sales volume based on well defined input parameters and the history of sales in the learning network has added value to the ERP and help distinguish it this will certainly be an excellent reference in a commercial point of view iv Agradecimentos Ao meu irm o companheiro de grande parte do meu trajecto profissional bem como como n o poderia deixar de ser de mais este degrau no nosso percurso acad mico A constante troca de opini es debate construtivo das estrat gias a seguir e tantos di logos enriquecedores contribu ram de forma clara para este trabalho Ao Carlos Ferreira que nos ajudou a partir tanta pedra nesta nossa aventura pelas novas tecnologias S o tamb m j mais de vinte anos de trabalho muitas vezes em comum Professora colega e amiga Ana Paula Rocha pelos conselhos pelo rigor cient fico pela paci ncia que sempre demonstrou no apoio a este aluno que resolveu regressar vida acad mi ca dezoito anos depois de terminar a licenciatura fam lia em especial minha m e por todo o suporte em mais esta caminhada A todos os amigos em especial Rosa que contribu ram de forma marcante para a execu o deste trabalho O Autor Jo o Lu s Carvalho Pereira Indice DL IMtr dU O EAEE ESE T E 1 11 Cont xto Engu adr Mento sssrinin orei iano ne E aE REEE i 1 I AAE E e E ET A E E A Gar hatte 2 1 3 Motiva
121. sse Quadro de Bordo para exemplificar a implementa o parece importante uma vez que serve de teste para muitas classes que v o sendo desenvolvidas no ERP jDx tais como classes do m dulo financeiro m dulo de log stica e m dulo comercial w jDx 2009 Dinamica Consultoria Lda 2008 Doc Comercial Consultas Mapas gt Doc comercial Encerrar Sair jox Quadro de Bordo Modulos W Gestor Quadro de Bordo em 2009 5 2 Ain Vendas rendas Semanais e a 2008 2007 Comercial Janeiro 563 865 50 530 518 20 6 29 2009 4 26 amp Produ o Fevereica 578 432 50 497 715 00 16 22 2009 4 27 cima marco 52567100 _575 322 50 __ 86o 2009 4 28 Abril __ 635 023 50 ___511 234 00 2421 2009 4 29 Menu do Utilizador Maio 61125550 _537 520 00 _1372 2003 4 30 ante 575 394 84 421 755 00 3643 2009 5 4 Informa oes A R 675 377 50 566 352 00 19 25 2009 5 2 Agosto 399 526 50 323 568 50 23 48 Setembro 705 235 00 638 895 54 10 38 Outubro 796 330 60 748 056 50 645 Novembro 688 786 00 654 899 49 517 Dezembro 705 925 50 685 282 50 3 01 Totals 7 461 023 94 6 691 119 23 11 51 Figura 28 A chamada da classe BrowserQuadroBordo Como qualquer classe desenvolvida ou a desenvolver no ERP jDx esta classe multi idioma situa o que control
122. t m que ver principalmente com quest es como tempos de resposta seguran a fiabilidade normas entre outros Estes 45 Implementa o requisitos assumem por vezes maior relev ncia que os requisitos funcionais uma vez que os podem inviabilizar tornando o sistema obsoleto Os par grafos seguintes enumeram alguns dos requisitos n o funcionais considerados relevantes neste projecto Usabilidade Descri o A interface do software procurar ser o mais intuitiva poss vel Dever o ser usadas interfaces simples comuns e de f cil interpreta o e aprendizagem para os utilizadores O percurso do utilizador dever ser acompanhado com t picos de ajuda e mensagens de erro claras e esclarecedoras A facilidade de configura o do sistema dever ser tamb m uma aposta tendo em vista esta adapta o ao utilizador Prioridade Essencial Utilidade Descri o Sendo o objectivo m ximo deste m dulo a gera o de documenta o esta dever apresentar se como uma mais valia a solu es j existentes Assim este dever ser um ponto a privilegiar permitindo a cria o de documenta o realmente f cil de criar ler pesquisar e editar apresentando boa estrutura o consist ncia e modularidade Prioridade Essencial Efici ncia Descri o O sistema dever ter um tempo de resposta reduzido s ac es realizadas pelo utilizador Sabendo que o software ir ser desenvolvido em java a qualidade do c digo produzido s
123. trar no mercado de trabalho 2 4 ERPe SCM Os sistemas ERP Enterprise Resource Planning e SCM Supply Chain Management t m vindo a crescer em popularidade entre as diferentes ind strias como ferramentas essenciais na gest o de recursos e processos das empresas Novas iniciativas no planeamento de recursos e no com rcio electr nico em geral est o a conduzir a uma evolu o SAP uma empresa de desenvolvimento de software Revis o Bibliogr fica da cadeia de abastecimento entre empresas no sentido de integrar aplica es empresariais estrat gicas Os sistemas ERP pretendem auxiliar as empresas na automatiza o e integra o de fun es corporativas transversais como o controlo na aquisi o de materiais distribui o finan as e gest o de projectos Atrav s da partilha de informa es o SCM permite aos parceiros da cadeia de fornecimento trabalhar em estreita coordena o para facilitar a interac o entre o cliente e o fornecedor no sentido de minimizar custos Esta sec o examina estes dois importantes conceitos em termos da sua evolu o fun es e desenvolvimento actual Explora ainda os fundamentos para a sua integra o atrav s da an lise dos problemas de ERP e apresenta algumas solu es de SCM A maioria das empresas considera os seus recursos humanos como o segredo para o sucesso No mundo competitivo de hoje as empresas t m deslocado a sua aten o para a melhoria da produtividade co
124. um car cter decisivo As principais tecnologias a ser utilizadas neste projecto s o as seguintes 4 1 4 1 Java A escolha da linguagem Java foi fundamentalmente determinada pela possibilidade de procura de robustez emp rica A linguagem Java uma linguagem orientada a objectos desenvolvida para ser compilada para bytecode s interpretados em runtime uma linguagem propriet ria mas apesar disso a Sun sua titular disponibiliza a maioria das suas implementa es livres de custo 4 1 4 2 JBuilder Embora isso j tivesse sido referido a decis o de utilizar o JBuilder foi tomada pela empresa Din mica em Janeiro de 2005 essencialmente porque pesquisando a informa o dispon vel data e recorrendo colabora o de pessoas de reconhecido m rito na rea da 52 Implementa o inform tica se chegou conclus o que esta seria a melhor solu o para cumprir os 2 grandes objectivos da empresa desenvolver uma aplica o independente o mais poss vel da plataforma o sistema operativo arranjar uma ferramenta que permitisse optimizar a interface gr fica com o utilizador pois era a maior lacuna na altura 4 1 4 3 PostgreSQL PostgreSQL o Sistema de Gest o de Bases de Dados SGBD objecto relacional open source realmente gratuito mas n o deixando de ser por isso uma solu o fi vel ao n vel das aplica es Industriais e Comerciais De entre as funcionalidades dispon veis do PostgresSQL s o de
125. uma camada escondida podem haver v rias camadas escondidas e uma camada de sa da As entradas para a rede neuronal s o do mesmo tipo dos exemplos de treino das rvores de decis o Cada n tem associado um valor de entrada e um peso Os pesos s o multiplicados pelos respectivos valores de entrada e somados 23 Revis o Bibliogr fica Neural Networks inputs outputs Figura 8 Exemplo de uma Rede Neuronal O resultado de uma fun o desta soma o valor a partir do n de sa da que enviado para a pr xima camada de n s As sa das de uma rede neuronal um conjunto de pesos que s o os coeficientes de uma equa o de regress o linear Um m todo para a determina o dos pesos de uma rede o m todo Back Propagation Este m todo olha para o erro dos valores de sa da das redes e para os valores observados e em seguida ajusta os pesos de cada n de modo a que este erro seja reduzido Isto repetido para cada exemplo alimentando a rede e repetido v rias vezes para todo o conjunto de dados Assim um processo altamente iterativo Este processo chamado de forma o da rede neuronal A rede neuronal em si representa uma fun o de aprendizagem que pode ser usada para prever novos exemplos A representa o do modelo de redes neuronais dif cil de interpretar em oposi o s rvores de decis o que sabe sempre o que est acontecendo nos n s ocultos As redes neuronais resultam duma equa o

Inte egraçã ão de um m módul jDx o com mercia al no E ERP

Contents

Download Pdf Manuals

Related Search

Related Contents

Inte egra&ccedil;&atilde; &atilde;o de um m m&oacute;dul jDx o com mercia al no E ERP

Contents

Download Pdf Manuals

Related Search

Related Contents

Inte egraçã ão de um m módul jDx o com mercia al no E ERP