Modelo interactivo visual multi-nível para sistemas de tomada de decisão

• Autores: Carlos Manuel de Oliveira Alves
• Directores de la Tesis: Miguel Ramón González Castro (dir. tes.) , Manuel Pérez Cota (dir. tes.)
• Lectura: En la Universidade de Vigo ( España ) en 2021
• Idioma: portugués
• Tribunal Calificador de la Tesis: Ramiro Manuel Ramos Moreira Gonçalves (presid.) , Alma María Gómez Rodríguez (secret.) , Fernando Joaquim Lopes Moreira (voc.)
• Enlaces
  • Tesis en acceso abierto en: Investigo
• Resumen

  • No final da década de 1960, surgiu um novo tipo de sistema de informações orientado a modelos, o Decision Support Systems (DSS) ou também designado por Management Decision Systems (MDS). Gorry e Scott Morton construíram uma estrutura para melhorar os sistemas de informação de gestão usando as categorias Anthonys de atividade de gestão e a taxonomia Simons dos tipos de decisão Simon, concebendo um DSS para suportar qualquer atividade de gestão nas decisões, semiestruturadas ou não. Os DSS baseados em folhas de cálculo e DSS de grupo, surgiram em meados de 1980. As Data Warehouses (sistemas executivos de informação e inteligência empresarial) apareceram no final dos anos 80 e início dos anos 90. Por fim, os DSS baseados no conhecimento e web apareceram em meados dos anos 90.

    A visualização de dados é uma forma dinâmica para reagir rapidamente a novos desenvolvimentos usando quer ambientes virtuais ou tecnologia de rede quer novos algoritmos de computação gráfica. O utilizador, ou seja, tomador de decisão, inicialmente obtém uma ideia total sobre um cenário antes de se concentrar nos detalhes, mas a observação em modelo gráfico dos dados fornece parte da informação. Também se pode afirmar que a visualização não significa apenas o acto de ver, mas permite que o utilizador visualize o que não é visto naturalmente. A visualização não é mais que uma representação gráfica de dados tendo como principal objectivo fornecer ao utilizador uma compreensão qualitativa e fácil do conteúdo das informações (que podem ser dados, relações, percepções ou processos), transformando objetos, números e conceitos numa forma que pode ser facilmente interpretada pelo olho humano. O papel essencial da visualização de dados serve para contar histórias, selecionando, filtrando e transformando esses dados e escolhendo o tipo de visualização mais adequado ou correcto para o utilizador ou área de actividade (como, por exemplo, barras, gráficos de linhas ou bolhas).

    As técnicas de visualização têm como objectivo simplificar os dados sendo que a representação de modelos fornece informações relevantes a partir desses mesmos dados, facilitando a produção de ideias em pouco tempo, principalmente se tivermos um grande volume de dados. É por isso que a integração de técnicas de visualização em sistemas dinâmicos e complexos é altamente recomendada para a abstração de dados, permitindo que o utilizador navegue rapidamente pela vasta gama de dados. Contudo, a visualização de dados requer interacção entre o utilizador e o sistema.

    A visualização de dados nos DSS, apesar de aumentar os requisitos de modelação e utilização, também permite a extracção de informações relevantes e a interacção com as mesmas. Desta forma, as informações visuais combinadas com as técnicas de interacção permitem a obtenção de conhecimento ao utilizador através de representações visuais a visualização, pesquisa e análise de um grande volume de dados de forma rápida e clara. O reconhecimento de padrões e a inferência de relacionamentos entre dados é facilitada através de visualizações utilizando interfaces gráficas, sendo desta forma amplificados os factores cognitivos e expostos os relacionamentos entre as várias entidades extraídas dos dados, produzindo informações úteis e minimizando a dificuldade de análise. Os sistemas de análise visual necessitam de possuir a capacidade de identificar padrões ocultos nos dados para que o tomador de decisões possa construir conhecimento a partir de um grande volume de dados. Combinando algoritmos de mineração de dados com visualização de dados podemos reduzir as informações obtidas, tornando os padrões mais visíveis, ou seja, a extracção de informações sobre grandes volumes de dados deve usar os métodos computacionais de mineração de dados.

    Para extrair informações úteis de grandes volumes de dados, os métodos computacionais de mineração de dados têm vantagem sobre a visualização, pois captam rapidamente os padrões de dados. Ao combinar algoritmos de mineração de dados com visualização, as informações obtidas podem ser reduzidas para tornar os padrões mais visíveis. A visualização de informações pode ser definida como a representação visual interativa suportada por computador, a fim de aumentar a cognição. As ferramentas e métodos aplicados podem ajudar a acelerar o entendimento de um grande volume de dados, melhorando o entendimento, especialmente em conjuntos de dados multidimensionais. Os métodos de análise visual permitem que os tomadores de decisão combinem flexibilidade, criatividade e conhecimento humano com os enormes recursos de armazenamento e processamento dos computadores atuais para obter informações sobre problemas complexos. Se adicionarmos mineração de dados a interfaces visuais avançadas, os tomadores de decisão poderão interagir diretamente com a análise de dados, adaptando-se aos seus gostos e necessidades.

    Com o trabalho desenvolvido no âmbito desta tese pretende-se construir um DSS universal (designado por MLV-Viewer) interactivo e em tempo real, multiplataforma, de livre acesso, para ser usado num ambiente web e adaptável às necessidades do tomador de decisões (através de vários perfis de utilizador), podendo o decisor escolher várias formas de visualizar os mesmos dados (selecionados por si de forma dinâmica) optando por visualizações (ou mais precisamente, vistas) 1C, 2C, 3C, 4C, 5C, 6C ou 7C. A adopção desta designação serve para introduzir o conceito de visualização em estrato (também pode ser designado por capa ou nível) associado a um símbolo e, desta forma, afastar a tendência natural de associar às dimensões 1D, 2D e 3D. As visualizações/vistas 1C e 2C podem ser comparáveis às visualizações 1D e 2D em que se usam os eixos XX e YY para representação de um dado. A visualização/vista 3C é semelhante a uma visualização 3D, mas atenção, como não se usam óculos para visualização 3D, deveríamos dizer que é uma visualização 2.5D, estando desta forma a emular o 3D num dispositivo que é um plano/superfície e, portanto, apenas tem duas dimensões. No protótipo MLV-Viewer a visualização 4C acrescenta à visualização 3C (emulada em 2.5D) uma camada ao símbolo usado na representação do dado. Essa camada é o tamanho do símbolo usado para representar o dado, que é proporcional ao valor do dado. O símbolo usado na visualização é o círculo. O diâmetro do círculo é proporcional ao valor do dado que se pretende visualizar, e desta forma obtemos no MLV-Viewer a visualização 4C. O mesmo princípio é aplicado nas visualizações 5C, 6C e 7C, sendo acrescentadas novas camadas para ser possível representar estas novas visualizações. A visualização/vista 5C é realizada a partir da visualização/vista 4C acrescentando a cor como uma nova camada. À mesma cor está sempre associada o mesmo tipo/valor de dados. A visualização/vista 6C é realizada a partir da visualização/vista 5C acrescentando a forma (shape) como uma nova camada. À mesma forma está sempre associada o mesmo tipo/valor de dados. A visualização/vista 7C é conseguida acrescentando à visualização/vista 6C uma nova camada exterior (como se fosse uma cebola com as várias camadas) ao símbolo. Esta nova camada é representada por uma espessura variável. O tomador de decisões pode também fazer uma análise dos dados (usando o método de mínimos quadrados) ou previsões. O protótipo tem uma arquitectura baseada num ambiente web, suportado por uma base de dados MySQL, e desenvolvido usando PHP e JavaScript.