1

O Uso da Descoberta de Conhecimento em Base de Dados para

Apoiar a Tomada de Decises
Jos Carlos Almeida Ryan Ribeiro de
Eric Rommel G. Dantas Daniel Silva de Lima
Patrcio Jnior Azevedo
Centro de Informtica
Centro Universitrio
Centro Universitrio de Centro Universitrio de Universidade
de Joo Pessoa
Joo Pessoa UNIP Joo Pessoa UNIP Federal de
UNIP
Pernambuco
ericrommel@gmail.com jcapjunior@gmail.com danielpk.lima@gmail.com ryanweb9@gmail.com

RESUMO
O processo de gesto do conhecimento demanda um constante nmero de decises acerca das
atividades presentes em uma organizao, tendo como base para essas decises o conhecimento
adquirido com a experincia profissional, impactando diretamente em toda a cadeia produtiva da
organizao. Para auxiliar nesse gerenciamento, ferramentas computacionais geradoras de novos
conhecimentos so essenciais. Este artigo descreve o processo de descoberta de conhecimento em
bases de dados, atravs da minerao de dados, demonstrando suas aplicabilidades no processo de
apoio na tomada de deciso.
Palavras-Chave: Gesto do Conhecimento, Descoberta de Conhecimento, KDD, Minerao de Dados.

1. INTRODUO
A informao o ativo mais importante para os negcios das organizaes, tornando-
se algo essencial para ganho de competitividade entre as empresas de pequeno, mdio e
grande porte. As estratgias assumidas para tal ganho devem basear-se em informaes
concretas, visando uma minimizao na ocorrncia de erros para a tomada de decises por
parte dos gestores.
Avanos tecnolgicos tm facilitado a obteno dessas informaes atravs de
processos de Knowledge Discovery in Database (KDD), ou seja, Descoberta de
Conhecimento em Banco de Dados. O KDD pode ser visto como o processo de descoberta de
padres e tendncias por anlise de grandes conjuntos de dados, tendo como principal etapa o
processo de minerao, consistindo na execuo prtica de anlise e de algoritmos especficos
que, sob limitaes de eficincia computacionais aceitveis, produz uma relao particular de
padres a partir de dados FAYYAD et al (1996).
O processo de KDD identifica padres e descobre informaes relevantes que
auxiliam na formao de posturas estratgicas de marketing, na busca e conquista de clientes,
na descoberta de falhas em linhas de produo, entre outras. Nesse processo, na etapa de
minerao de dados, algoritmos tm a funo de gerar regras de associao, descrevendo
assim, padres de relacionamento entre itens de uma base de dados.
Este trabalho realiza uma anlise das regras geradas, assim como as evolues
propostas e os aspectos da integrao destas tecnologias com o KDD, conceituando,
SEGeT Simpsio de Excelncia em Gesto e Tecnologia 2

esclarecendo e despertando o interesse das empresas sobre a importncia da sua utilizao na

tomada de decises estratgicas para o negcio.
Este artigo est estruturado da seguinte forma: na Seo 2 so apresentados os
conceitos a cerca do entendimento da gesto do conhecimento; na Seo 3 so vistos os
conceitos e benefcios do processo de descoberta de conhecimento KDD, minerao de dados
e regras de associao. So apresentados na Seo 4 os experimentos e resultados. Na Seo 5
so apresentados os trabalhos relacionados. Por fim, na Seo 6 apresentam-se as concluses e
trabalhos futuros.

2. GESTO DO CONHECIMENTO
O valor de uma deciso estratgica para o negcio depende das informaes
disponveis ao gestor de uma organizao, da capacitao que este possui de interpret-las e
da experincia para associ-las de maneira conveniente. DAVENPORT e PRUSAK (1998)
acrescenta que a nica vantagem sustentvel de uma empresa o que ela coletivamente sabe,
a eficincia com que ela usa o que sabe e a prontido com que ela adquire e usa novos
conhecimentos.
Informao o resultado do processamento de dados num formato que tem significado
para o usurio respectivo e que tem valor real ou potencial nas decises presentes ou
prospectivas DAVIS (1974). O conhecimento necessrio para se decidir e/ou avaliar torna-se
disponvel por meio de informaes SANCHES (1997). A gerncia da informao ou a
administrao do conhecimento e da informao uma breve definio de Gesto do
Conhecimento (GC). Segundo DAVENPORT e PRUSAK (1998), a GC pode ser vista como
uma srie de aes gerenciais constantes e sistemticas que facilitam os processos de criao,
registro e compartilhamento do conhecimento nas organizaes.
Para KRUGLIANSKAS e TERRA (2003), GC significa organizar as principais
polticas, processos e ferramentas gerenciais e tecnolgicas luz de uma melhor compreenso
dos processos de gerao, identificao, validao, disseminao, compartilhamento, uso e
proteo dos conhecimentos estratgicos para gerar resultados (econmicos) para a empresa e
benefcios para os colaboradores internos e externos (stakeholders).
ALVARENGA NETO (2005) explica ainda que GC o conjunto de atividades
voltadas para a promoo do conhecimento organizacional, possibilitando que as
organizaes e seus colaboradores possam sempre se utilizar das melhores informaes e dos
melhores conhecimentos disponveis, com vistas ao alcance dos objetivos organizacionais e
maximizao da competitividade.
Para apoiar a GC, so utilizadas diversas tcnicas da Inteligncia Computacional, tais
como, Redes Neurais Artificiais, Lgica Fuzzy, e mtodos estatsticos. Estas tcnicas
demandam altos investimentos em software e hardware, no menos ainda em pessoal
capacitado. WU e WANG (2006) comentam que grande parte dos investimentos em GC
destinada aos Sistemas de Gesto do Conhecimento (SGC), ferramentas baseadas na
Tecnologia da Informao (TI) capazes de suportar os processos de criao, armazenamento,
recuperao, transferncia e aplicao do conhecimento. A Seo 3 abordar o processo de
descoberta de conhecimento.
Evidentemente apenas os recursos tecnolgicos, no garantiro uma perfeita GC. Faz-
se necessrio um capital humano bem treinado e com experincia de mercado para interpretar
as informaes e conhecimentos disponibilizados pela tecnologia para assim, tomar as
melhores decises. Estas atitudes so essenciais mesmo quando suas prticas limitam-se a no
decidir, visto que a falta de deciso, por si s, j uma forma de deciso.
SEGeT Simpsio de Excelncia em Gesto e Tecnologia 3

3. DESCOBERTA DE CONHECIMENTO EM BASES DE DADOS (KDD)

A extrao do conhecimento uma rea dinmica e evolutiva, envolvendo integraes
com outras reas de conhecimento como Estatstica, Inteligncia Artificial e Banco de Dados.
Os padres extrados devem ser alm de confiveis, compreensveis e teis, podendo
empregar o conhecimento com utilidade e tirar proveito de alguma vantagem, seja cientfica
ou comercial. De acordo com FAYYAD et al. (1996), o processo de KDD constitudo de
diversas fases, explicadas na Seo 3.1, e tem incio na anlise do entendimento do domnio
da aplicao e dos objetivos a serem realizados.

3.1. FASES DO KDD

Aps a fase inicial, o foco passa a ser a escolha ou seleo da massa de dados a ser
minerada, podendo ser um conjunto de dados ou um subconjunto de variveis onde a extrao
ser realizada. A fase de Data Cleaning e Pr-Processamento tem por objetivo assegurar a
qualidade dos dados envolvidos no KDD realizando operaes bsicas como a remoo de
rudos, que podem ser, por exemplo, atributos nulos. A fase seguinte consiste na Seleo e
Transformao dos dados em que sero selecionados os atributos realmente interessantes ao
usurio, alm de transformados utilizando o padro ideal para aplicar algoritmos de
minerao.
Aps a realizao das fases anteriores, a Minerao de Dados (Data Mining)
iniciada. Esta fase a mais importante do KDD, sendo realizada atravs da escolha do mtodo
e do algoritmo mais compatvel com o objetivo da extrao, a fim de encontrar padres nos
dados que sirva de subsdios para descobrir conhecimentos ocultos. Na Seo 3.2. um
aprofundamento desta fase ser realizado.
A Avaliao ou Ps-Processamento a fase que identifica, entre os padres extrados
na etapa de Data Mining, os padres interessantes ao critrio estabelecido pelo usurio,
podendo voltar fase inicial para novas iteraes. Ao trmino da avaliao, o conhecimento
descoberto dever ser implantado e incorporado ao sistema, sempre documentando e
publicando os mtodos, a fim de apresentar o conhecimento descoberto ao usurio.
apresentado na Figura 1 de uma maneira simplificada todas as fases do KDD.

Figura 1. Fases do Processo de KDD [FAYAAD et al. 1996].

SEGeT Simpsio de Excelncia em Gesto e Tecnologia 4

3.2. MINERAO DE DADOS

Data Mining ou Minerao de Dados o processo de pesquisa em grandes quantidades
de dados para extrao de conhecimento, utilizando tcnicas de Inteligncia Computacional
para procurar relaes de similaridade ou discordncia entre dados, com o objetivo de
encontrar padres, irregularidades e regras, com o intuito de transformar dados, aparentemente
ocultos, em informaes relevantes para a tomada de deciso e/ou avaliao de resultados.
A minerao de dados possibilita a busca em grandes bases de dados de informaes
desconhecidas, permitindo aos gestores uma maior agilidade nas tomadas de decises. Uma
empresa que utiliza Data Mining capaz de criar parmetros para entender o comportamento
do consumidor, identificando afinidades entre as escolhas de produtos e servios, prevendo
hbitos de compras e analisando comportamentos habituais para deteco de fraudes PINTO
(2005).
A principal motivao para a utilizao de Data Mining a grande disponibilidade de
dados armazenados eletronicamente, com informaes teis e ocultas, podendo auxiliar na
previso de um conhecimento futuro, indo alm do armazenamento explcito de dados. Em
outras palavras, descobrir informaes sem uma prvia formulao de hipteses e buscar por
algo no intuitivo, na verdade tornar dados sem obviedade em valiosas informaes
estratgicas.

3.2.1. MTODOS DE DATA MINING

De acordo com FAYYAD et al. (1996), existem diversos mtodos de Data Mining
para encontrar respostas ou extrair conhecimento em repositrios de dados, sendo os mais
importantes para o KDD: Classificao, Modelos de Relacionamento entre Variveis, Anlise
de Agrupamento, Sumarizao, Modelo de Dependncia, Regras de Associao e Anlise de
Sries Temporais. Deve-se ressaltar que a maioria desses mtodos serve de base para tcnicas
das reas de aprendizado de mquina, reconhecimento de padres e estatstica. Um breve
resumo dos mtodos mais importantes so descritos a seguir.
A Classificao associa ou classifica um item a uma ou vrias classes categricas pr-
definidas, utilizando comumente uma tcnica estatstica chamada anlise discriminante,
objetivando envolver a descrio grfica ou algbrica das caractersticas diferenciais das
observaes de vrias populaes, alm da classificao das observaes, em uma ou mais
classes pr-determinadas.
Os Modelos de Relacionamento entre Variveis associam um item a uma ou mais
variveis de predio de valores reais, consideradas variveis independentes ou exploratrias.
Regresso linear simples, mltipla e modelos lineares por transformao so as tcnicas mais
utilizadas para verificar a existncia do relacionamento funcional entre duas variveis
quantitativas.
A Anlise de Agrupamento, ou Cluster, associa um item a uma ou vrias classes
categricas (ou clusters), determinando as classes pelos dados, independentemente da
classificao pr-definida. Os clusters so definidos por meio do agrupamento de dados
baseados em medidas de similaridade ou modelos probabilsticos, visando detectar a
existncia de diferentes grupos dentro de um determinado conjunto de dados e, em caso de
sua existncia, determinar quais so eles.
A Sumarizao determina uma descrio com disperso reduzida para um dado
subconjunto no pr-processamento dos dados, freqentemente utilizadas na anlise de
descobrimento de dados. Podemos citar como exemplos simples de sumarizao de dados, as
medidas de posio e variabilidade.
SEGeT Simpsio de Excelncia em Gesto e Tecnologia 5

O Modelo de Dependncia descreve dependncias entre variveis. Modelos de

dependncia existem em dois nveis: estruturado e quantitativo. O nvel estruturado
especifica, geralmente em forma de grfico, quais variveis so localmente dependentes. O
nvel quantitativo especifica o grau de dependncia, usando alguma escala numrica.
As Regras de Associao determinam relaes entre campos de um banco de dados,
contribuindo para a tomada de deciso, recebendo assim, na Seo 3.3, um maior
aprofundamento. Por fim, a Anlise de Sries Temporais determinam caractersticas
seqenciais, como dados com dependncia no tempo. Seu objetivo modelar o estado do
processo extraindo e registrando desvios e tendncias no tempo.

3.3. REGRAS DE ASSOCIAO

O processo de extrao de regras de associao foi proposto inicialmente por
AGRAWAL et al. (1993), e representa um padro ocorrido em combinaes de itens com
determinada freqncia em uma base de dados GONALVES (2005).
As regras de associao foram definidas atravs da seguinte formalizao AGRAWAL
et al. (1994): seja I = {I1, I2, I3,..., In} um conjunto de itens e T um conjunto de transaes,
sendo cada transao T um conjunto de itens, de forma que T I, e cada T ser associado a
um nico identificador TIT, tal que x T, x I. Desta maneira a regra de associao gerada
ter como forma x y, ou seja, x ser o antecedente e y o conseqente da regra de associao
criada.
Outra abordagem para o conceito de regras de associao leva em considerao os
conceitos de Confiana e Suporte GYRDI et al. (2004), em que este estima a
probabilidade da ocorrncia de um conjunto de itens I em uma transao T, e aquele, para um
conjunto Z de itens, refere-se porcentagem de transaes de uma base de dados que contem
esses itens de Z.
No Quadro 1 VASCONCELOS et al. (2004), tem-se a frmula utilizada no Suporte,
para uma regra X Y, onde X e Y so conjuntos de itens, tendo por numerador a quantidade
de transaes em que ambos, X e Y, esto ocorrendo simultaneamente, e por denominador o
nmero total de transaes.
A Confiana evidenciada utilizando a mesma regra X Y, mas seu denominador
representa o valor total de transaes em que o item X ocorre VASCONCELOS et al. (2004),
visto no Quadro 2.

Quadro 1. Suporte

Quadro 2. Confiana

Na prxima Seo ser demonstrado detalhadamente todo o processo de KDD,

focando na fase de Data Mining e utilizando-se o mtodo descrito nesta.
SEGeT Simpsio de Excelncia em Gesto e Tecnologia 6

4. EXPERIMENTOS E RESULTADOS
O processo de KDD evidenciado de fato, com os experimentos utilizando uma base
de dados proveniente de uma empresa atuante na rea do comercio varejista, optante por um
acordo NDA (Non-Disclosure Agreement). O software de minerao de dados utilizado para
realizar a gerao de padres teis foi o WEKA (http://www.cs.waikato.ac.nz/ml/weka/).
Desenvolvida na linguagem Java pela Universidade de Waikato na Nova Zelndia, trabalha
com diversas tcnicas de Data Mining, alm de ser um software livre e de fcil manuseio.
Como conhecido anteriormente na Seo 3.1, o ponto de partida do KDD encontra-se
na escolha ou seleo da massa de dados de acordo com o domnio do objetivo requerido, que
neste caso, seria a escolha do perfil do cliente mais rentvel para empresa e o grupo de
produtos por ele comprado. Aps anlise do banco de dados, foi selecionada uma amostra de
102.000 registros identificando as vendas realizadas no perodo de 01 de janeiro de 2008 a 30
de abril de 2008, de cerca de 10 filiais situadas no estado da Paraba. Os atributos necessrios
ao processo de minerao de dados esto destacados na Tabela 1.
Tabela 1. Atributos da Base de dados submetidos minerao.
Atributo Descrio Valores
Distintos
GRUPO Grupo no qual o produto foi classificado 4

VALOR Faixa de valores da compra 6

IDADE Faixa etria do cliente. 6

SEXO Sexo do cliente. 2

O atributo GRUPO representa o grupo na qual o produto foi classificado, com 4
valores distintos, a saber: Eletro, Magazine, Mveis, Telecomunicao. Os valores das
compras foram decompostos por faixa de valores: abaixo de R$100,00, de R$101,00
R$300,00, de R$301,00 R$500,00, de R$501,00 R$700,00, de R$701,00 R$900,00 e
acima de R$900,00. A idade tambm foi um atributo organizado em faixa de valores: de 18 a
23 anos, de 24 a 29, de 30 a 37, de 38 a 42, de 43 a 50 e acima de 50 anos. Por fim, o atributo
SEXO do cliente.
A fase de Data Cleaning, com intuito de eliminar tuplas nulas, valores considerados
inconsistentes ou errados, definidos como rudo, e diminurem redundncias, reduziu para
87.744 tuplas, sendo posteriormente convertidas para o padro utilizado no software WEKA
CORREA (2004). Nesta ferramenta, exps-se ao processo de minerao de dados, utilizando-
se algoritmo de regras de associao Predictive Apriori SCHEFFER (2001), GILLMEISTER
et al. (2005), obtendo 10 regras de associao, Quadro 3, juntamente com os grficos gerados
pela ferramenta das variveis utilizadas, demonstrados nos Quadros 4, 5, 6 e 7.
SEGeT Simpsio de Excelncia em Gesto e Tecnologia 7

Quadro 3. Regras encontradas.

Quadro 4. Atributo sexo dos clientes

Quadro 5. Idade dos Clientes

Quadro 6. Valor da compra

SEGeT Simpsio de Excelncia em Gesto e Tecnologia 8

Quadro 7. Grupo de produto

Aps o processamento do arquivo pelo WEKA e a obteno dos padres obtidos na

execuo da minerao de dados, as regras geradas foram levadas apreciao dos
especialistas de domnio da organizao, para anlise e avaliao da qualidade das regras
obtidas. Segundo os mesmos, quatro regras apresentam um conhecimento novo j que no
haviam identificado que no segmento Magazine, com produtos at R$100,00, tinham maior
venda entre os indivduos do sexo feminino at 29 anos, alm de verificar a preferncia
masculina por produtos eletro-eletrnicos de custo acima dos R$700,00. O algoritmo trouxe
duas regras com informaes duplicadas. As quatro regras restantes foram consideradas
bvias, porm, corretas, levando em considerao o domnio de negcio.
Aps a anlise das regras e a verificao de um nicho de mercado a ser investido, os
gestores optaram por medidas estratgicas especficas, com campanhas de marketing e
promoes especficas definidas pelo perfil do cliente.

5. TRABALHOS RELACIONADOS
Mesmo trabalhando em diferentes nveis de detalhamento, algumas pesquisas
encontradas na literatura referem-se ao processo de descoberta de conhecimento em base de
dados dando nfase fase de minerao de dados e aos algoritmos de Data Mining, em
especial ao algoritmo Apriori, a fim de verificar sua eficincia e eficcia no mbito da
extrao de padres corretos de uma base de dados dando suporte a tomada de deciso em
nvel de gerencial.
Dentre esses trabalhos que serviram para o embasamento e amadurecimento desta
proposta descrita esto: Utilizao de Ferramentas de KDD para Integrao de
Aprendizagem e Tecnologia em Busca da Gesto Estratgica do Conhecimento na Empresa
realizado por BOENTE et al. (2007). Neste trabalho so abordados os conceitos de Gesto de
Conhecimento e de KDD com suas tarefas e mtodos, registrando alguns softwares utilizados
no processo de minerao de dados, sendo necessrio adicionar pesquisa conceitos prticos
da efetiva utilizao do KDD por meio da empresas.
E os estudos de GILLMEISTER et al. (2005) que demonstram a utilizao do
algoritmo Apriori, e de algoritmos baseados neste, comparando com outros, realizando a
gerao de regras de associao que trazem um conhecimento novo ao gestor auxiliando
assim a tomada de deciso. No entanto, o mesmo apresenta resultados com uma amostra de
apenas 7000 registros.

6. CONCLUSES E TRABALHOS FUTUROS

O capital humano um dos maiores responsveis pelo xito da GC, seja por um
usurio do conhecimento, seja por um fornecedor do conhecimento. A Tecnologia da
Informao alm de possuir um papel de apoio nos projetos de GC identificando,
desenvolvendo e implantando novas tecnologias, contribui para o intercmbio de
SEGeT Simpsio de Excelncia em Gesto e Tecnologia 9

conhecimentos e experincias entre as organizaes, proporcionando novas perspectivas e

solues, beneficiando um melhor progresso do conhecimento j existente, tornando gil a
tomada de deciso, aperfeioando processos, reduzindo custos e aumentando receitas.
Com os resultados obtidos demonstrou-se, na prtica, como as diversas tecnologias
ligadas ao processo de descoberta de conhecimento em bases de dados podem apoiar as
tomadas de decises, de forma a manter as organizaes competitivas com relao
concorrncia e, principalmente, manterem-se no mercado.
Como trabalho futuro, pode-se realizar uma comparao entre diversos algoritmos de
regras de associao, realizando experimentos que integrem ferramentas de minerao de
dados com ferramentas especficas para a GC, apoiando ainda mais o nvel gerencial
corporativo para aumentar e propiciar melhores condies na tomada de decises de forma
eficaz e eficiente.

7. REFERNCIAS
AGRAWAL, R.; Imielinski T.; Srikant R. Mining Association Rules between Sets of Items
in Large Databases 1993, Proc. of the ACM SIGMOD Intl. Conf. on Management of Data,
Washington, Estados Unidos, p. 207216.

AGRAWAL, R. et al. Fast algorithms for mining association rules in large databases 1994.
in: International Conference on Very Large Data Bases, VLDB, 20, Santiago, Proceedings
Hove: Morgan Kaufmann, p. 478-499.

ALVARENGA NETO, R. C. D. Gesto do Conhecimento em Organizaes: Proposta de

Mapeamento Conceitual Integrativo 2005. Tese (Doutorado em Cincia da Informao)
PPGCI, Escola de Cincia da Informao da UFMG, Belo Horizonte.

BOENTE, Alfredo Nazareno Pereira et al. Utilizao de Ferramentas de KDD para

Integrao de Aprendizagem e Tecnologia em Busca da Gesto Estratgica do Conhecimento
na Empresa 2007. in: Simpsio de Excelncia em Gesto e Tecnologia, Rio de Janeiro,
Brasil.

CORREA, A. C. G.; SCHIABEL, Homero Descoberta de Conhecimento em Base de

Imagens Mamogrficas 2004. CBIS'2004 - IX Congresso Brasileiro de Informtica em
Sade.

DAVENPORT, T. H., PRUSAK, L. Conhecimento Empresarial: como as organizaes

gerenciam o seu capital intelectual 1998. Campus. Rio de Janeiro.

DAVIS, Gordon B. Management Information Systems: Conceptual Foundations, Structure

and Development. McGraw-Hill. Tokyo.

FAYYAD, U. M., Piatetsky Shapiro, G., Smyth, P. & Uthurusamy, R. Advances in

Knowledge Discovery and Data Mining 1996, AAAIPress, The Mit Press.

GILLMEISTER, Paulo Ricardo Guglieri; Cazella, Slvio Csar (2005) Uma Anlise
Comparativa de Algoritmos de Regras de Associao: Minerando Dados da Indstria
Automotiva, Centro de Cincias Exatas e Tecnolgicas, UNISINOS, So Leopoldo, RS.

GONALVES, Eduardo Corra Regras de Associao e suas Medidas de Interesse Objetivas

e Subjetivas, UFF - Universidade Federal Fluminense, in INFOCOMP Journal of
Computer Science, Rio de Janeiro, RJ.
SEGeT Simpsio de Excelncia em Gesto e Tecnologia 10

GYRDI, Cornelia et al. A Comparative Study of Association Rules Mining Algorithms,

in: 1st Romanian, Hungarian Joint Symposium on Applied Computational Intelligence,
Oradea, Romania.

KRUGLIANSKAS, Isak e TERRA, Jos Cludio Cyrineu Gesto do Conhecimento em

Pequenas e Mdias Empresas. Rio de Janeiro: Campus, 2a. Edio.

PINTO, F.; Santos M. F. Descoberta de Conhecimento em Bases de Dados em Actividades

de CRM; Datagadgets 2005; 1 Congresso Espanhol de Informtica CEDI 2005; Granada.

SANCHES, Osvaldo Maldonado Planejamento Estratgico de Sistemas de Informao

Gerencial, REVISTA DE ADMINISTRAO PBLICA (RAP) de jul./ago de 1997,
Fundao Getlio Vargas (FGV). Rio de Janeiro, RJ

VASCONCELOS, L. M. R. de; Carvalho, C. L. de (2004) Aplicao de Regras de

Associao para Minerao de Dados na Web. UFG. Relatrio Tcnico. Gois, GO.

WU, J. H.; WANG, Y. M. Measuring KMS success: A respecification of the DeLone and
McLean's model. Information & Management, v.43, n.6, p.728., setembro, 2006. Retrieved
December 7, 2006, from ABI/INFORM Global database. (Document ID: 1150986541).