Descoberta de conhecimento em bases de dados como suporte a actividades de business intelligence: aplicação na área da distribuição da água

Dissertação de Mestrado em Tecnologias e Sistemas de InformaçãoO serviço de abastecimento de água para consumo humano é, ainda hoje, um dos paradigmas da qualidade de vida das populações e fundamental à saúde pública, à alimentação, à higiene e a algumas actividades económicas. A recente privatização da gestão dos sistemas de abastecimento de água em Portugal conduziu à necessidade de um funcionamento e gestão mais eficientes das organizações que operam no mercado da água. Neste ambiente empresarial mais competitivo tem sido dada uma certa ênfase ao melhoramento dos processos de tomada de decisão, de forma a substituirse a gestão aleatória baseada na intuição. Assim, a presente tese surge da evidência empírica atribuída à primordial importância da correcta previsão do consumo de água futuro para a definição da política de gestão da água, concretamente, para o planeamento e gestão das redes de distribuição e para definição do seu plano de vendas. A previsão das receitas é primordial na fase de preparação de um orçamento. Um sistema de previsão dos consumos de água para abastecimento público, considerando os factores anteriores, é uma ferramenta de apoio à tomada de decisão muito poderosa. O principal objectivo desta dissertação é propor uma abordagem para a previsão dos consumos de água para consumo humano, estudando e avaliando modelos alternativos de previsão de séries temporais. Procura-se avaliar comparativamente o desempenho de modelos convencionais da área estatística, com modelos desenvolvidos a partir de técnicas de Data Mining, propondo a melhor abordagem para a previsão do consumo de água num ambiente de trabalho real. As abordagens propostas são aplicadas a um caso prático, usando uma base de dados real de consumos de água históricos no Concelho de Santa Maria da Feira. Os resultados obtidos das experiências realizadas permitem concluir que, no caso concreto deste caso real, os modelos desenvolvidos a partir de técnicas de Data Mining apresentam melhor desempenho global na previsão dos consumos de água do que os modelos convencionais.Since the most remote antiquity, the water is, together with the alimentary resources and the climate, a crucial resource for human beings. The importance and research about usages, consumes and needs of water are related with the rigour of policy of hydrological resources, namely, about water quantity, water quality, water economy and about people security [National Water Plan, 2002]. Historically, in Portugal, the water supply depended exclusively on the initiative of the State, from the point of view of the planning and management, and also from the point of view of the inancing. In recent years, we can observe an evolution towards the participation of multimunicipal (with private administration) and private companies in the management of water supply systems. This decentralization context imposes efficient operation and sophisticated management to the organizations that operate in the water market. In the presence of this competitive environment, the emphasis has been the improvement of decision making processes. The present thesis emerges from the empirical evidence imputed to an accurate future water demand prediction to the definition of water management policies, namely, to the planning and management of distribution networks and to the definition of sales plan. The income prediction is primordial in the budget preparation. Considering all that factors, an automatic system to predict water demand is a very powerful tool to support decision making. The principal goal of this work was the evaluation of two alternative approaches to predict the water demand, based on the Knowledge Discovery in Data Bases process as support to Business Intelligence activities. The present work reports the comparative use of conventional models based on Box-Jenkings methodology and some adequate models based on Data Mining techniques, such as Neuronal Artificial Networks, Regression Trees and Linear Regression. Considering the final results from the experiments we conclude that, before the real case in analysis, the predict models developed from Data Mining techniques present best performance than the conventional models based in statistics