Sobre o Cliente e o problema

A Safe Care, integrante do Safe Group com mais de 25 anos de experiência, destaca-se como referência em consultoria e administração de soluções em seguros e benefícios corporativos. Inicialmente focada em seguros para o segmento náutico, a empresa expandiu sua atuação para se tornar líder nacional em seguros de embarcações de lazer. Fundada pelas irmãs Karen e Kátia de Boer, a Safe Care tem como missão revolucionar a gestão da qualidade de vida nas organizações, proporcionando acesso à saúde e bem-estar de forma cuidadosa e com resultados impactantes.

O desafio enfrentado pela Safe Care reside na complexidade da gestão de dados dispersos em seus principais departamentos, delineados como pilares estratégicos no documento apresentado. O departamento de pós-venda, responsável por operações relacionadas ao RH dos clientes, enfrenta a dificuldade de centralizar e cruzar dados provenientes do sistema "Facility", seu principal software, e não consegue integrá-los com informações de outros setores da empresa. A gestão médica, encarregada de estudar as políticas dos clientes, confronta o desafio de parametrizar dados de forma diferente no Qlik Sense e depende de uma API para cruzar informações com o Facility. Já a área "Cuidando de Você", que oferece suporte aos beneficiários através de um chatbot, busca uma solução que vá além de simples interações, proporcionando análises e insights para aprimorar o uso do plano de saúde.

O problema central é a falta de uma plataforma integradora que una eficientemente os dados desses setores, dificultando a obtenção de uma visão holística da saúde empresarial. A Safe Care almeja uma solução que não apenas centralize informações, mas que também permita simulações, visualizações de dados reais e análises preditivas. A empresa busca, assim, uma ferramenta que impulsione a inteligência nos processos de gestão, proporcionando uma transformação na visão do negócio de maneira 360° e contribuindo para a oferta de soluções de saúde privada mais eficazes e acessíveis.

Pergunta Norteadora

De acordo com as analises feitas pelos integrantes em torno do problema, foi elaborada a seguinte pergunta norteadora:

"Como trabalhar com grandes volumes de dados de forma centralizada visando apresentar informações uteis para melhorar as estratégias da empresa" 

Missão do projeto

Como o projeto se baseia em uma ideia já elaborada pelo cliente, foi feita uma análise da proposta e a equipe chegou a conclusão de que, diante dos problemas e soluções apontadas, o grupo iria seguir a abordagem da empresa seguindo esses principais pontos:

1. Criar um centralizador de dados

2. Melhorar a análise de dados

3. Promover a saúde corporativa e otimizar processos internos

Hipóteses

As seguintes hipoteses foram levantadas com o objetivo de guiar o grupo na parte das pesquisas:

1. Ao integrar eficientemente os dados dispersos, será possível centralizar as informações, proporcionando uma visão holística dos processos e dados.

2. A criação de um sistema integrador robusto pode levar a uma análise mais eficiente de grandes volumes de dados, identificando padrões e tendências para embasar decisões estratégicas.

3. A centralização e integração dos dados têm o potencial de otimizar os processos internos da Safe Care, reduzindo redundâncias e aumentando a eficiência operacional.

Matriz CSD

A matriz CSD foi feita para mapear as certezas suposições e dúvidas do grupo em relação ao projeto em geral. Serviu par nos nortear na reunião com a SafeCare.

Pesquisas

Referencial Tecnico

Objetivo: Ter conhecimento suficiente sobre as tecnologias usadas pela empresa para conseguir mapear e a documentar os dados das áreas referentes aos Pilares mencionados 

TAKE BLIP

A plataforma Take Blip é uma solução de atendimento ao cliente baseada em inteligência artificial (IA), que permite que empresas de todos os tamanhos ofereçam um atendimento personalizado e eficiente aos seus clientes, 24 horas por dia, 7 dias por semana. A Take Blip utiliza uma tecnologia de IA de "chatbot" para interagir com os clientes. O chatbot é capaz de entender e responder a uma ampla gama de perguntas e solicitações, desde simples dúvidas até problemas complexos.

A plataforma Take Blip também oferece uma série de recursos adicionais para melhorar o atendimento ao cliente, como:

Gerenciamento de múltiplos canais: A plataforma permite que as empresas atendam aos seus clientes em múltiplos canais, como chat, e-mail, telefone e mídias sociais.

Personalização: A plataforma permite que as empresas personalizem as interações com os clientes, com base em dados demográficos, históricos de compras e outras informações.

Análise: A plataforma oferece recursos de análise para que as empresas possam medir o desempenho do seu atendimento ao cliente.

A Take Blip é uma solução de atendimento ao cliente que pode ajudar as empresas a melhorar a experiência dos seus clientes. Ela é uma opção acessível e fácil de usar, que pode ser integrada a sistemas de CRM e ERP existentes.

Principais benefícios da plataforma Take Blip:

Aumentar a satisfação dos clientes: A plataforma Take Blip pode ajudar as empresas a fornecer um atendimento ao cliente mais rápido, eficiente e personalizado, o que pode aumentar a satisfação dos clientes.

Reduzir custos: A plataforma Take Blip pode ajudar as empresas a reduzir os custos operacionais de atendimento ao cliente, ao automatizar tarefas rotineiras.

Melhorar a produtividade: A plataforma Take Blip pode ajudar as equipes de atendimento ao cliente a serem mais produtivas, ao liberar tempo para que elas se concentrem em tarefas mais complexas.

A plataforma Take Blip é uma solução de atendimento ao cliente que pode ajudar as empresas de todos os tamanhos a melhorar a experiência dos seus clientes.

BI QLIK SENSE

- O que é?

Um conjunto de ferramentas de análise de dados que permite que as empresas explorem, visualizem e compartilhem dados de forma rápida e fácil.

- Funcionalidades:

1. Análise de dados: usado para explorar dados, identificar tendências e padrões, e gerar insights.

2. Visualização de dados: oferece uma variedade de visualizações de dados intuitivas que ajudam os usuários a entender seus dados rapidamente.

3. Análise preditiva: oferece uma variedade de recursos de análise preditiva que ajudam os usuários a prever resultados futuros.

- Pontos fortes:

1. Fácil de usar: é projetado para ser fácil de usar, mesmo para usuários sem experiência em análise de dados.

2. Visualizações de dados intuitivas: oferece uma variedade de visualizações de dados intuitivas que ajudam os usuários a entender seus dados rapidamente.

3. Análise exploratória poderosa: permite que os usuários explorem dados de forma rápida e fácil para identificar tendências e padrões.

4. Análise preditiva: oferece uma variedade de recursos de análise preditiva que ajudam os usuários a prever resultados futuros.

- Pontos fracos:

1. Custo:  pode ser caro, especialmente para empresas de pequeno porte.

2. Complexidade: pode ser complexo para usuários avançados.

FACILITY SAFE/ APP ABSENTEÍSMO

A facility safe se baseia nas seguintes funcionalidades: 

Consultar seu Seguro
Consultar sua fatura
Baixar Certificado do seguro
Alterar formas de pagamento

Atualizar dados cadastrais
Programar sua Renovação
Aviso de Sinistro
Falar com o Safe Group

É a plataforma interna da empresa e é o setor responsável pela alimentação da jornada do cliente dentro da empresa. (insere os dados para a visualização da empresa). A plataforma recebe os dados e gera relatorios de acordo com ele e repassa para cada time especifico fazerem uma análise

Referencial Teórico

Objetivo: Ter conhecimento sobre o funcionamento e arquitetura de um centralizador de dados com o intuito de gerar um passo a passo de elaboração e adaptação para uma empresa de seguros com suas determinadas tecnologias 

Design and Implementation Data Warehouse in Insurance Company

Na introdução ele explica o que é e como funciona uma empresa de seguros e começa a falar que um bom jeito de fazer uma análise de dados atualmente, tendo em vista a tendência e condições de um dado, é usando um data warehouse, que quando utilizado em processos que envolvem avisar sobre o estado atual ele é mais rápido e interativo. 

As áreas que ele pode ser utilizado também é bem abrangente, envolvendo partes como gerenciamento de relação com o cliente de uma empresa, pesquisas de medicina, laboratório de imunologia, o desenvolvimento de um sistema de transações de um banco entre outros que é comentado no artigo.

De acordo com o artigo, a implementação de um data warehouse se dá em 9 passos:

1. Escolher o processo de negócios

2. Escolher o que vai ser guardado no data warehouse

3. Identificar as dimensões

4. Escolher o fato

5. Guardar pré-cálculos na tabela de fatos

6. Completar a tabela de dimensões

7. Escolher a duração desse armazenamento de dados

8. Rastrear a mudança de dimensão

9. Decidir o design físico do data warehouse

BUILDING the Data Warehouse

O artigo "BUILDING the Data Warehouse" aborda uma série de considerações essenciais no processo de construção de um data warehouse: 

Custos: É vital determinar um orçamento disponível e distribuí-lo de forma estratégica entre pessoas, serviços, hardware, software, ferramentas e serviços de parceiros. Isso ajuda a manter o projeto dentro das restrições financeiras. 

Tempo: O gerenciamento do tempo é crítico. Estimar o tempo necessário para a construção do data warehouse e alinhá-lo com as restrições de tempo da organização garante um planejamento adequado e o cumprimento de prazos. 

Usuários: Compreender as necessidades tanto dos usuários de TI quanto dos usuários de negócios é fundamental. Isso garante que o data warehouse seja desenvolvido de acordo com as expectativas e requisitos de ambas as partes, tornando-o eficaz para todos os envolvidos. 

Pessoas: Formar uma equipe competente para desenvolver e administrar o data warehouse é essencial. Avaliar se o projeto exigirá uma equipe grande de administradores no futuro é importante para planejar a escalabilidade. 

Hardware, Software e Ferramentas: A seleção cuidadosa de recursos de hardware, software e ferramentas é crucial. Isso inclui escolher servidores, sistemas de gerenciamento de banco de dados, ferramentas de ETL e análise de dados que atendam aos requisitos do projeto. 

Serviços: Decidir quais tarefas a equipe interna pode realizar e quando recorrer a ajuda externa é uma consideração estratégica. A contratação de consultores ou serviços de terceiros pode ser necessária para preencher lacunas de habilidades e garantir o sucesso do projeto. 

Em resumo, o artigo enfatiza a importância de abordar essas considerações de forma abrangente e estratégica ao iniciar o processo de construção de um data warehouse, visando ao sucesso do projeto e à satisfação de todos os envolvidos.

Research in Data Warehouse Modeling and Design: Dead or Alive? 

A modelagem multidimensional desempenha um papel crucial na concepção de data warehouses (DW). Enquanto muito tem sido escrito sobre a importância do DW e como ele deve ser projetado, a falta de consenso sobre um método de design específico persiste. Este artigo surge a partir de discussões abrangentes que ocorreram durante o Workshop "Data Warehousing at the Crossroads" em Dagstuhl e tem como objetivo delinear as questões em aberto relacionadas à modelagem e ao design de data warehouses.

A modelagem multidimensional, com seus conceitos de dimensões, fatos e cubos, é fundamental para a estruturação eficaz dos dados para análise de negócios. Sua evolução ao longo do tempo foi influenciada por marcos importantes e por desafios tecnológicos em constante mudança.

Um dos principais tópicos de discussão é a falta de consenso sobre a melhor abordagem para a modelagem de DW. Isso levanta questões sobre a modelagem conceitual, incluindo a definição precisa de dimensões, fatos e hierarquias, bem como sobre o desenvolvimento de modelos lógicos, como os modelos em estrela e em floco de neve.

Além disso, a interoperabilidade entre sistemas de DW e a integração de dados de diferentes fontes apresentam desafios significativos. À medida que novas arquiteturas, como data warehouses na nuvem e data lakes, ganham destaque, a adaptação da modelagem multidimensional para atender a novos requisitos de análise e aplicações se torna essencial.

Em resumo, a modelagem multidimensional em data warehousing continua sendo um campo em evolução, com muitas questões em aberto. Este artigo destaca as áreas de debate e os desafios identificados no Workshop em Dagstuhl e sugere que a pesquisa futura deve se concentrar em abordar essas questões e explorar novas direções para aprimorar ainda mais o design de data warehouses.