IMPLANTAÇÃO DO DW NA ANVISA

Transcrição

1 IMPLANTAÇÃO DO DW NA ANVISA Bruno Nascimento de Ávila 1 Rodrigo Vitorino Moravia 2 Maria Renata Furtado 3 Viviane Rodrigues Silva 4 RESUMO A tecnologia de Business Intelligenge (BI) ou Inteligência de Negócios está sendo utilizado cada dia mais pelas empresas para auxiliar nos processos de tomada de decisão, baseando-se no processo analítico de informações históricas oriundas de diversas fontes que são armazenadas no Data Warehouse (DW), precisando ter seus conceitos bem entendidos para que seus processos sejam bem desenvolvidos e implementados. No intuito de transformar dados em informações inteligentes, o BI oferece um conjunto de metodologias, processos e sistemas úteis não só para mapear as informações das mais variadas fontes, mas também para monitorar e gerenciar o desempenho de uma empresa. O objetivo desta pesquisa bibliográfica é mostrar o ciclo de desenvolvimento do DW dentro da Agencia Nacional da Vigilância Sanitária (ANVISA), utilizando como principal fonte de dados o Datasus, órgão responsável por coletar, processar e disseminar informações sobre saúde. Nesta pesquisa bibliográfica apresentaremos os principais conceitos do DW procurando mostrar a importância de sua utilização para garantir agilidade e segurança na tomada de decisão na área da saúde, definindo o caminho a ser desenvolvido desde a modelagem até a implantação de um DW na Agencia Nacional da Vigilância Sanitária. Palavras chave: ANVISA. Business Intelligence. Datasus. Data Warehouse. 1. INTRODUÇÃO Nos dias atuais as empresas precisam ter uma capacidade maior de analisar, planejar e reagir rapidamente para acompanhar as exigências dos seus clientes, porque a 1 Graduando em Sistemas de Informação pela Faculdade Infórium de Tecnologia. 2 Especialista em Gestão da Informação pelo IEC PUC Minas. Analista de Business Intelligence há 12 anos. Professor da Pós-Graduação das Faculdades PUC Minas, Estácio e Infórium de Tecnologia. Professor da graduação das Faculdades Infórium de Tecnologia e Batista. 3 Professora da Faculdade Infórium de Tecnologia e Mestre em Psicologia. 4 Graduando em Sistemas de Informação pela Faculdade Infórium de Tecnologia.

2 2 todo o momento as organizações são bombardeadas com muitas informações referentes às regras de negócios das empresas, constituindo a base de dados da organização, estas informações fazem parte de vários sistemas de difícil integração sem qualidade e muitas vezes indisponível ou disponível com dados desatualizados. Atualmente várias empresas possuem muitos dados, mas poucas informações. Devido ao volume sempre crescentes desses dados e da forma que eles se encontram distribuídos na empresa, a dificuldade de se extrair informações gerenciais para a tomada de decisões é muito grande. Nesse cenário o principal desafio dos gestores é tomar decisões com rapidez e agilidade. Para que isso aconteça é necessário que as organizações tenham essas informações sempre disponíveis e atualizadas. Para suprir todas essas deficiências a Agencia Nacional de Vigilância Sanitária (ANVISA) decidiu implantar o Data Warehouse (DW) que segundo Primak (2008), um Data Warehouse é uma coleção de dados derivados dos dados operacionais para sistemas de suporte a decisão. Estes dados derivados são, muitas vezes, referidos como dados gerenciais, informacionais ou analíticos. O objetivo principal do nosso trabalho é apresentar a pesquisa bibliográfica referente a implantação do DW na (ANVISA), mostrando os principais conceitos e questões envolvidas no (DW), procurando enfatizar a importância de sua utilização para garantir agilidade e segurança na tomada de decisão na área da Saúde, definindo o caminho a ser desenvolvido desde a modelagem até a implantação de um DW, introduzindo os principais conceitos na área, expondo a melhor forma de construí-lo. Datasus é o nome do departamento de informática do Sistema Único de Saúde do Brasil (SUS). Trata-se de um órgão da Secretaria de Gestão Estratégica e Participativa do Ministério da Saúde com a responsabilidade de colher as informações externas, processar e disseminar informações sobre saúde. Prover os órgãos do SUS de sistemas de informação e suporte de informática necessários ao processo de planejamento, operação e controle do (SUS), através da manutenção de bases de dados nacionais, apoio e consultoria na implantação de sistemas e coordenação das atividades de informática inerentes ao funcionamento integrado dos mesmos.

3 3 2. BUSINESS INTELLIGENCE (BI) Business Intelligence (BI) refere-se ao processo de coleta, organização, análise, compartilhamento e monitoramento de informações que oferecem suporte a gestão de negócios com mais mobilidade e agilidade o BI colabora com as empresas que atualmente possuem um grande problema, tem a sua disposição uma imensa quantidade de dados, no entanto sem organização nenhuma. As empresas possuem grande dificuldade de extrair destas montanhas de dados informações úteis para a tomada de decisão. Segundo Barbieri (2011) o (BI) é um processo transformador de dados em informações cujo objetivo é definir estratégias de competividade nas empresas com para transformar estes volumes de dados em depósitos estruturados de informação, independente da sua origem. O conceito de BI (Business Intelligence), de forma mais ampla, pode ser entendido como a utilização de variadas fontes de informação para definir estratégias de competitividade nos negócios da empresa. Podem ser incluídos nessa definição os conceitos de estruturas de dados, representadas pelos bancos de dados tradicionais, Data Warehouse e Data Marts, criados objetivando o tratamento relacional e dimensional de informações, bem como as técnicas de datamining aplicadas sobre elas, buscando correlações e fatos escondidos. (BARBIERI, 2011, p. 95). Atualmente com o grande volume de dados que as organizações produzem o BI é um grande aliado, porque tem a possibilidade de antecipar seus concorrentes, ter um relacionamento diferenciado com os clientes e diminuir gastos desnecessários aumentando assim os lucros, a utilização de variadas fontes de informação para definir estratégias de competitividade nos negócios da empresa para garantir agilidade e segurança dos dados. Barbieri (2001) O termo BI, segundo (Primak, 2008), faz referência ao processo inteligente de coleta, organização, análise, compartilhamento e monitoramento de dados contidos em um Data Warehouse/Data Mart (DW/DM), para gerar informações para o suporte à tomada de decisões no ambiente de negócio. Na visão de Primak (2008), DW é uma coleção de dados derivados dos dados operacionais para sistemas de apoio a decisão. O autor explica ainda que Data Warehouses são construídos para armazenar e acessar tais dados de forma que não estejam limitados por tabelas estritamente relacionais.

4 4 Um DW une bancos de dados de toda uma empresa. A proposta inicial de um DW é ser um sistema que armazena dados históricos usados nos processos decisórios e integrar os dados corporativos de uma empresa em um único repositório. O DW serve para criar uma visão única e centralizada dos dados que estão dispersos em vários bancos de dados. Permitem também que os usuários finais executem consultas, gerem relatórios e façam análises em um ambiente apartado, sem interferir na performance dos sistemas transacionais (operacionais) da empresa. O seu objetivo é armazenar os dados em vários níveis de sumarização e estes devem estar identificados, catalogados, coletados, disponibilizados e transformados. Porque um dos fatores que influenciam o sucesso dos DW é a questão da integridade dos dados, é fundamental que os dados estejam padronizados antes de serem carregados no DW, afim de que as respostas obtidas através de uma consulta no banco, não estejam inconsistentes. Os benefícios de sua utilização não dependem só de tecnologia aplicada mas também do potencial humano de fazer as análises e as interpretá-las. Os sistemas não são soluções, eles apenas fornecem informações para as pessoas usá-las de forma inteligente. Segundo Barbieri (2001) DW é definido como um banco de dados para sistemas de apoio de tomadas de decisão e cujo os dados foram armazenados em estruturas dimensionais possibilitando o processo por ferramentas especiais. O DW possibilita a análise de grandes volumes de dados, coletados dos sistemas transacionais. Por definição, os dados em um DW não são voláteis, ou seja, eles não mudam, exceto quando é necessário fazer correções de dados previamente carregados. Os dados então são somente para leitura e não podem ser alterados. As informações são armazenadas em estruturas multidimensionais, calculando previamente todas as combinações de todos os níveis de todas as aberturas de análise. O levantamento de necessidades uma das etapas do processo de um DW, é uma das mais importantes, pois nesta fase é possível identificar e priorizar as necessidades de informação que a organização necessita. É importante o envolvimento de analistas de sistemas, usuários, equipe de tecnologia da informação e DBAs durante esta fase (BARBIERI, 2001). O DW é utilizado para armazenar dados. Para recuperá-los e propiciar geração de informações, aplica-se em sua última etapa a utilização de ferramentas OLAP.

5 5 A sigla OLAP que quer dizer On-line Analytical Processing, de forma traduzida Processamento Analítico On-line, está relacionada à capacidade para manipular e analisar um grande volume de dados sob diversas formas. Barbieri (2001) explica que as técnicas de OLAP objetivam trabalhar os dados existentes, buscando consolidações em diversos níveis, trabalhando em dimensões variáveis. As aplicações baseadas em processamento analítico (OLAP) são comumente chamadas de aplicações sobre o negócio. As aplicações sobre o negócio analisam as informações obtidas através das aplicações operacionais, ajudando executivos e altos gerentes a interpretar mudanças na realidade de negócio e, assim, mudar as regras de negócio da empresa. Segundo (KIMBALL, 2002), OLAP é uma metodologia que proporciona acesso a um grande volume de dado de forma rápida e intuitiva, tornando-se assim uma alternativa aos sistemas transacionais. OLAP é uma ferramenta de BI utilizada para apoiar as empresas na análise de suas informações, em vários níveis estratégicos, visando obter novos conhecimentos que serão empregados na tomada de decisão. As ferramenta OLAP trabalham de modo interativo, permitindo que através de uma resposta o usuário façam outros questionamentos, ou seja, o usuário consegue analisar o porque dos resultados obtidos. Os sistemas OLAP possuem algumas características como bancos de dados com um esquema otimizado para que os resultados das consultas sejam entregues rapidamente. Cubos OLAP que armazenam vários níveis de dados formados por estruturas altamente otimizadas que atendem às expectativas de negócio da empresa, é preparado para realizar relatórios complexos de uma forma simples, é preparado para realizar relatórios complexos de uma forma simples, proporciona uma visão multidimensional dos dados. Os cubos oferecem uma visão multidimensional dos dados que vai além da análise de duas dimensões, oferecida por uma simples planilha de cálculo utilizada como tal e os usuários podem modificar facilmente as filas, as colunas e as páginas nos relatórios do OLAP, sendo possível visualizar a informação da forma que seja mais conveniente para análise. A funcionalidade de uma ferramenta OLAP é caracterizada pela análise multidimensional e dinâmica de dados. Primak (2008) explica que isso quer dizer que o próprio usuário gera as consultas de acordo com sua necessidade de cruzamento de

6 6 dados com emprego de métodos diferentes dos usuais que os levama obter as respostas desejadas. Conforme Barbieri (2001), as ferramentas OLAP tem operações para analisar os dados, sendo que as principais são: Drill-down que permite a movimentação da visão dos dados ao longo dos níveis hierárquicos de uma dimensão, permitindo navegação do nível mais alto até o dado detalhado; Drill-up que permite a navegação inversa dos dados, ou seja, navega do nível de dados mais detalhado até o nível mais alto; Drillacross: permite a navegação da tabela dimensão passando de um nível para outro sem passar pelos níveis intermediários; Drill-through que é quando há necessidade de uma informação em um nível de detalhe menor do que aquele armazenado na tabela fato, ou seja, é a operação que busca a informação além do nível de granularidade existente na estrutura dimensional. Os dados usados por essas aplicações são chamados de dados analíticos. Os dados analíticos são nada mais que dados operacionais otimizados para a consulta e análise,e não para transações. 2.1 Extração, Transformação e Carga (ETL) De acordo com Barbieri (2001), o ETL é responsável pela coleta, limpeza, preparação e carga dos dados operacionais para o DW.Esse processo tem como objetivo filtrar os dados para eliminar dados indesejáveis, integrar os dados de diferentes fontes distintas em uma única fonte e reduzir o volume dos dados visando obter informações resumidas e sumarizadas, bem como a derivação de dados através de fórmulas para produzir dados virtuais a partir de dados já existentes. A etapa de ETL é uma das mais críticas de um projeto de Data Warehouse (DW). As ferramentas utilizadas para esse fim podem ser desenvolvidas pela própria empresa ou adquiridas dos fornecedores, dependendo do projeto (PRIMAK,2008). É uma das fases mais delicadas de um data warehouse, pois envolve a fase de movimentação dos dados. O processo ETL é o mais complexo e demorado na construção do DW, o qual será explicado posteriormente. Depois da limpeza e padronização dos dados, eles serão carregados para uma única fonte de dados consolidada, o DW, facilitando e tornando as consultas mais confiáveis e eficientes.

7 7 Segundo Barbieri (2001) o processo de ETL se resume basicamente em 5 passos: Identificação da origem dos dados a serem coletados, sendo que as fontes podem estar espalhadas em diversos sistemas transacionais e banco de dados da organização. Realizar a limpeza dos dados para possibilitar posterior transformação, e nesta etapa ocorre os ajustes nos dados, com o intuito de corrigir imperfeições com o objetivo de oferecer um melhor resultado para o usuário final. A terceira etapa é de transformação dos dados e tem por objetivo fazer a padronização dos dados em um único formato. A fase seguinte é de carga dos dados para o DW. Por fim, existe a etapa de atualização dos dados no DW (refresh), realizada a partir das alterações sofridas. A qualidade dos dados é extremamente importante, porque o resultado do processo de extração será utilizado em um processo de tomada de decisão. Os processos de ETL são executados utilizando soluções próprias da ANVISA, por meio de ferramenta de programação integrando os dados operacionais antes de serem carregadas para o DW, pois começam no próprio ambiente operacional. Os arquivos resultantes desses processos de extração e transformação, no ambiente operacional, são transportados para a plataforma onde se encontra o DW. Após o processo de transporte, ocorrem ainda processos de transformação onde os dados sofrem as últimas alterações e são carregados no DW, por meio das ferramentas do Sistema Gerenciador de Banco de Dados Oracle. 2.2 Ferramenta Case Power Designer As ferramentas Case ou Computer-Aided Software Engineering foram criadas para auxiliar os desenvolvedores dos sistemas, tendo o objetivo de aumentar a produtividade no processo de software e melhorar a qualidade dos softwares. A Ferramenta Case Power Designer foi criada na França pela empresa SDP Technologies em 1983 como o nome de AMC Designor na França e desenvolvida inicialmente para o SGBD Oracle, mas vendo a necessidade de suportar todos os SGBDs foi atualizado e ficou conhecido em todo o mundo como S-Designor.

8 8 3. MODELAGEM DIMENSIONAL A Modelagem Dimensional de dados é uma técnica de projeto que traz os dados para uma forma próxima do entendimento do usuário, onde o modelo dimensional é formado por informações que poderão vir de diversas fontes de dados. Essa técnica nasceu para modificar alguns conceitos cristalizados nos projetos tradicionais de Bancos de Dados, principalmente após a fase relacional. O produto final da Modelagem Dimensional é a produção de um modelo conceitual dimensional, formado de tabelas Fato e tabelas Dimensão (Barbieri, 2001). A estrutura dimensional modifica a ordem da distribuição de campos das tabelas, possibilitando uma estrutura voltada para os diversos pontos de entradas as chamadas dimensões. Uma característica importante do modelo dimensional são as tabelas recebem o nome de tabelas Fato que é o "detalhe" da informação que será armazenada. que As tabelas Fato servem para armazenar medidas numéricas associadas a eventos de negócio. Uma tabela Fato contém vários fatos, correspondentes a cada uma de suas linhas. Cada fato pode armazenar um ou mais medidas numéricas, que constituem os valores objetos da análise dimensional. Possuem como chaveprimária, normalmente um campo multi-key, formado pelas chaves-primárias das dimensões que com ela se relacionam. Normalmente armazenam muito mais linhas que as tabelas Dimensão, e merecem cuidado especial em função ao seu alto volume. Contém dados normalmente aditivos (manipulados por soma, média, etc.) e relativamente estáticos. As tabelas Dimensão representam entidades de negócios e constituem as estruturas de entradas que servem para armazenar informações como tempo, geografia, produto, cliente, etc. As tabelas Dimensão têm uma relação 1:N com a tabela Fato, e possuem um número significativamente menor de linhas do que as tabelas Fato. Possuem múltiplas colunas de informação, algumas das quais representam sua hierarquia. Apresentam sempre uma chave primária, que lhes confere unicidade, chave essa que participa das tabelas Fato, como parte da sua chave múltipla. Devem ser entendidas como as tabelas que realizam os filtros de valores aplicados na manipulação dos fatos e por onde as consultas entram no ambiente do DW/DM. (BARBIERI, 2011, p.161). Segundo Kimball as tabelas de fatos são as principais tabelas em uma Modelagem Dimensional nela são guardadas a medida numérica mais importante do processo de negócio. Exemplos como o valor de faturamento, a quantidade produtos entregues e a quantidade de entregas são os tipos de dados que estão alocados nesta tabela, ou seja, está geralmente guarda informações referente as transações ou eventos de negócios. Segundo Barbieri (2011), as tabelas fato são compostas obrigatoriamente por uma chave primária composta pelas chaves primárias das tabelas que contêm as

9 9 descrições do fato, as de dimensão. Além desta chave composta uma tabela fato contêm medidas que variam de numéricas ou sem medida e neste contexto tempos três tipos de tabela fato com métricas: aditivas que são numéricas e são somadas com relação as dimensões existentes, por exemplo: quantidade, valor total dos itens; semi-aditivas que são aquelas que só pode ser adicionado ao longo de algumas dimensões, o que restringe o número de consultas apenas àquelas dimensões em que o fato pode ser adicionado; não-aditivas que são aquelas que não pode ser adicionado a qualquer dimensão. Para este tipo só pode resumir registros através de contagens ou então consultar um a um. Todos os três tipos de métricas foram adotadas no projeto da ANVISA. De acordo com Barbieri (2011), a colocação das métricas dentro de uma tabela fato deve ser com muito cuidado, porque pode implicar de resultados errados, quando manipulados por operadores indevidos. 3.1 Tabela Dimensão As tabelas dimensão são compostas pelas informações complementares as tabelas fato. Estas tabelas são compostas basicamente por colunas que contêm elementos textuais que descrevem o negócio e uma chave primária que irá compor a chave composta de sua tabela fato. Segundo Barbieri (2001), as tabelas de dimensão têm uma relação de 1:N com a tabela de fatos, logo, possuem um número de registros bem menor. Possuem inúmeras colunas de informação e uma chave primária, que acaba participando das tabelas de fatos, como parte de sua chave múltipla. 3.2 Star Schema ou Esquema em Estrela Para facilitar a análise do DW a Anvisa utilizou a modelagem de dados conhecida como Star schema ou esquema em estrela onde os dados são modelados em tabela dimensionais ligadas a tabela fatos. Essa estrutura é formada por uma tabela central (tabela de Fatos) é um conjunto de tabelas organizadas ao seu redor (tabelas de Dimensões). Algumas características desse esquema são: o centro da estrela é a tabela de fatos, as pontas da estrela são as tabelas de dimensões, cada esquema está formado por

10 10 apenas uma tabela de fatos, geralmente é um esquema totalmente não normalizado e pode estar parcialmente normalizado nas tabelas de Dimensões. A ANVISA adotou a modelagem dos na visão estrela (star schema), documentada com o Software Power Designer, que será tratado posteriormente. 4. ARQUITETURAS DO DW Existem duas abordagens de implementações principais para desenvolvimento de um DW, são elas: Top Down e Bottom Up. Top Down foi a primeira arquitetura proposta para o desenvolvimento em um ambiente de DW. Também é conhecida como arquitetura padrão. Consiste na extração dos dados do DW geral para os Data Mart (DM) setoriais, necessitando de que sua escolha seja definida no início do projeto e precisa ter um conhecimento da visão geral da empresa. Segundo Machado (2004) essa arquitetura inicia o seu processo com a extração, a transformação e a integração dos dados externos ou bancos independentes. Conforme Mahado ( 2004) a implementação top dow é conhecida como padrão inicial do conceito de DW, nela o processo se inicia com a extração, transformação e a integração das informações dos sistemas operativos e dados externos para o ODS (Operational Data Stor) ou diretamente das fontes operacionais, posteriormente os dados e metadados são transferidos para o DW. As vantagens neste tipo de implementação são observadas na necessidade da organização definir as regras do seu negócio, na visão completa que o usuário possui da organização, na manutenção do ambiente que é mais simples, já que o repositório de dados é centralizado e na existência de um único conjunto de aplicações para extração, limpeza e integração dos dados. Em oposição às vantagens apresentadas, a implementação top down apresenta desvantagens como o longo tempo de implementação exigido, a alta taxa de risco de insucesso, a necessidade de pessoas altamente capacitadas e a criação de expectativas em relação ao ambiente a ser construído, já que a implementação e a obtenção de resultados é demorada. (Machado, 2004).

11 11 A arquitetura Botton Up proposta de Kimball, chamada de Bottom Up, começa com a extração, transformação e a integração dos dados para um ou mais DMs, sendo estes DMs modelados, normalmente através de um modelo dimensional. Os projetos serão menores, independentes, focando áreas ou assuntos específicos. Este tipo de implementação permite que o planejamento do desenho dos DMs possam ser realizados sem esperar que seja definida uma infraestrutura corporativa para DW na empresa. Esta infraestrutura não deixará de existir, só que ela poderá ser implementada de forma incremental conforme forem sendo realizados os DMs. Esta arquitetura vem se tornando mais popular devido a implementação Top Dow ser cara e politicamente difícil de ser definida, necessitando de um tempo maior para implementação, investimento e não apresenta um retorno rápido. Esta arquitetura permite que o planejamento e o desenho do DM possam ser realizados sem esperar que seja definida uma infraestrutura corporativa para DW na empresa; isso não quer dizer que não existirá a infraestrutura, apenas que ela poderá ser implementada incrementalmente conforme forem realizados os DM. Não sendo diferente dos outros métodos, este tipo de implementação também possui suas vantagens e desvantagens. Apresenta como pontos positivos, a rápida implementação; a agilidade na apresentação dos resultados e a possibilidade de enfatizar primeiramente os principais setores do negócio. A principal desvantagem encontrada é a falta de padronização dos data mart s que pode acarretar em redundância e dados inconsistentes. (MACHADO, 2004). A ANVISA tem desenvolvido o DW de forma corporativa e incremental. 5. ESTUDO DE CASO ANVISA Para ilustrar nossa pesquisa utilizamos o estudo de caso criando pela ANVISA cuja sua finalidade institucional é promover a proteção da saúde da população por intermédio do controle sanitário da produção e da comercialização de produtos e serviços submetidos à vigilância sanitária, inclusive dos ambientes, dos processos, dos insumos e das tecnologias a eles relacionados, aborda a importância da tomada de decisão nas organizações que a todo o momento manipulam um grande volume de dados, mas normalmente se encontram indisponíveis e sem qualidade. Para suprir esta

12 12 deficiência a ANVISA passa a adotar o DW que é constituído por sistemas de informação orientados a assunto que visa manipular grande volume de dados das organizações. A implantação do DW na ANVISA foi motivada pela necessidade de tomada de decisão dos gerentes, que com o sistema de extração de dados anterior, obtinham dificuldades de extração de dados, não atendendo as demandas existentes para tomada de decisão. Após a implantação do DW os gerentes da ANVISA extraem diversos relatórios gerenciais atualizados podendo ainda combinar vários sistemas para tomada de decisão e antecipar as mudanças bruscas do mercado. 6. CONCLUSÃO Este artigo tem como foco principal o tratamento da tecnologia DW que desempenha um papel fundamental para a tomada de decisão, juntamente com o BI que proporciona a visualização das informações em vários níveis de detalhamento, possibilitando a empresa um maior controle de seus negócios, podendo tomar decisões mais rápidas e seguras. Dentre os principais conceito de BI abordado nesse trabalho, pode-se destacar as principais características do BI que são: extrair e integrar dados de múltiplas fontes; fazer uso da experiência, trabalhar com hipóteses e simulações, procurar relações de causa e efeito e transformar os registros obtidos em informação útil para o conhecimento da organização Ao longo deste artigo foram abordadas as metodologias e os conceitos de BI utilizados pelo setor Datasus, responsável por gerenciar e coletar os dados da ANVISA criado após a necessidade de extração de um grande volume de dados, permitindo constatar que as grandes empresas necessitam de informações disponíveis e atualizadas para a tomada de decisão com rapidez e agilidade. Esse trabalho é apenas uma breve síntese de um estudo realizado em uma adoção do DW. Há outros aspectos inerentes neste estudo ou em outros adotados por grandes empresas, sejam elas públicas ou privadas, que poderiam ser abordados em trabalhos futuros, desta forma reforçando as grandes vantagens em se adotar estes sistemas de apoio à tomada de decisão.

13 13 REFERÊNCIAS BARBIERI, Carlos. BI Business Intelligence: Modelagem e Tecnologia, 1ª Ed, Axcel Books, BARBIERI, Carlos. BI2 Business Intelligence: Modelagem & Qualidade. Rio de Janeiro: Editora Elsevier, INMON, W. H.; WELCH, J. D.; GLASSEY, K. L. Gerenciando Data Warehouse. São Paulo: Makron Books, KIMBALL, Ralph; ROSS, Margy. The Data Warehouse Toolkit: Guia completo para modelagem dimensional. Tradução Ana Beatriz Tavares, Daniela Lacerda. 2 ed. Rio de Janeiro: Campus, p. Tradução de: The Data Warehouse Toolkit. MACHADO, Felipe Nery Rodrigues. Tecnologia e projeto de Data Warehouse.São Paulo: Editora Érica, PRIMAK, Fábio Vinícius. Decisões com B.I Business Intelligence 1ª Ed. Rio de Janeiro: Editora Ciência Moderna Ltda, 2008.