Montagem de Armazém de Dados para Instituição de Ensino Superior Pública

Tamanho: px
Começar a partir da página:

Download "Montagem de Armazém de Dados para Instituição de Ensino Superior Pública"

Transcrição

1 UNIVERSIDADE ESTADUAL DE GOIÁS UNIDADE UNIVERSITÁRIA DE CIÊNCIAS EXATAS E TECNOLÓGICAS BACHARELADO EM SISTEMAS DE INFORMAÇÃO WALÉRIA CORRÊA DE OLIVEIRA Montagem de Armazém de Dados para Instituição de Ensino Superior Pública Anápolis Novembro, 2012

2 UNIVERSIDADE ESTADUAL DE GOIÁS UNIDADE UNIVERSITÁRIA DE CIÊNCIAS EXATAS E TECNOLÓGICAS BACHARELADO EM SISTEMAS DE INFORMAÇÃO WALÉRIA CORRÊA DE OLIVEIRA Montagem de Armazém de Dados para Instituição de Ensino Superior Pública Monografia apresentado ao Departamento de Sistemas de Informação da Unidade Universitária de Ciências Exatas e Tecnológicas da Universidade Estadual de Goiás, como requisito parcial para obtenção do grau de Bacharel em Sistemas de Informação. Orientador: Prof. Ms. Ly Freitas Filho Anápolis Novembro, 2012

3 UNIVERSIDADE ESTADUAL DE GOIÁS UNIDADE UNIVERSITÁRIA DE CIÊNCIAS EXATAS E TECNOLÓGICAS BACHARELADO EM SISTEMAS DE INFORMAÇÃO WALÉRIA CORREA DE OLIVEIRA Montagem de Armazém de Dados para Instituição de Ensino Superior Pública Trabalho de Conclusão de Curso apresentado ao Departamento de Sistemas de Informação da Unidade Universitária de Ciências Exatas e Tecnológicas da Universidade Estadual de Goiás, como requisito parcial para obtenção do grau de Bacharel em Sistemas de Informação. Aprovado por: Anápolis, 27 de novembro de 2012

4 UNIVERSIDADE ESTADUAL DE GOIÁS Unidade Universitária de Ciências Exatas e Tecnológicas TERMO DE AUTORIZAÇÃO PARA DISPONIBILIZAÇÃO DE TRABALHOS DE CURSOS NO BANCO DE DADOS ELETRÔNICO DA UNIDADE UNIVERSITÁRIA DE CIÊNCIAS EXATAS E TECNOLÓGICAS - UNUCET Eu, WALÉRIA CORREA DE OLIVEIRA, portador do RG n Org. Exp. SPTC- GO, inscrito no CPF nº: , domiciliado no logradouro Rua Alameda dos Tamoios Quadra 09 Lote 10, Alexandrina, CEP: , na cidade de Anápolis, estado de Goiás. Na qualidade de titular dos direitos de autor que recaem sobre o meu trabalho de conclusão de curso, tipo: Monografia, intitulado - Montagem de Armazém de Dados para Instituição de Ensino Superior Pública, defendido em 27/11/2012, junto a banca examinadora do curso de Sistemas de Informação, com fundamento nas disposições da lei nº de 19 de fevereiro de 1998, autorizo a disponibilização [total][do resumo] da obra citada, sem ressarcimento de direitos autorais, para fins de leitura, impressão e/ou downloading pela Internet, a título de divulgação da produção científica gerada pela Universidade Estadual de Goiás / UNUCET de Anápolis, a partir desta data. Assim, autorizo a disponibilização [total][do resumo] do meu trabalho, estando ciente que o conteúdo disponibilizado é de minha inteira responsabilidade. Anápolis, 27 de novembro de 2012.

5 FICHA CATALOGRÁFICA OLIVEIRA, Waléria Corrêa. Montagem de Armazém de Dados para Instituição de Ensino Superior Pública. [Anápolis] (UEG / UnUCET, Bacharelado em Sistemas de Informação, 2012). Monografia.Universidade Estadual de Goiás, Unidade Universitária de Ciências Exatas e Tecnológicas. Departamento de Sistemas de Informação. 1. Armazém de Dados 2. Data Mart 3. Data Warehouse REFERÊNCIA BIBLIOGRÁFICA OLIVEIRA, Waléria Corrêa. Montagem de Armazém de Dados para Instituição de Ensino Superior Público. Anápolis, p. Monografia Curso de Sistemas de Informação, UnUCET, Universidade Estadual de Goiás. CESSÃO DE DIREITOS NOME DO AUTOR: Waléria Corrêa de Oliveira TÍTULO DO TRABALHO: Montagem de Armazém de Dados para Instituição de Ensino Superior Pública. GRAU/ANO: Graduação /2012. É concedida à Universidade Estadual de Goiás permissão para reproduzir cópias deste trabalho, emprestar ou vender tais cópias para propósitos acadêmicos e científicos. O autor reserva outros direitos de publicação e nenhuma parte deste trabalho pode ser reproduzida sem a autorização por escrito do autor. Waléria Corrêa de Oliveira Rua Alameda dos Tamoios Quadra 09 Lote 10 - Alexandrina CEP Anápolis GO Brasil

6 Dedico este trabalho a Deus por ser meu melhor amigo e à minha sobrinha Sara Corrêa da Silva, na esperança que ela aprenda a tocar teclado.

7 AGRADECIMENTOS Primeiramente a Deus, a meus pais e irmãos, namorado, amigos e colegas, ao meu orientador e aos professores que me acompanharam no decorrer de minha formação. A todos, os meus sinceros agradecimentos.

8 LISTA DE ILUSTRAÇÕES Figura 1- Repositório de Metadados (MACHADO, 2009)... 6 Figura 2- Modelo Multidimensional (MACHADO, 2009)... 7 Figura 3- Modelo Físico Estrela (MACHADO 2009)... 9 Figura 4- Modelo Físico Floco de Neve (MACHADO, 2009)... 9 Figura 5- Modelo de Entidade e Relacionamento Figura 6- Modelo Estrela Data Mart Figura 7- Data Mart com Atributos e Dimensões Figura 8- Data Mart com Atributos e Dimensões Figura 9- Data Mart com Atributos e Dimensões Figura 10- Modelo Final Figura 11- Dimensões OLAP Figura 12- Dimensões OLAP Figura 13- Modelo Final...25

9 LISTA DE ABREVIATURAS E SIGLAS Siglas Descrição DM DW MER SGBD OLAP UEG UnUCET Data Mart Data Warehouse Modelo de Entidade e Relacionamento Sistema Gerenciador de Banco de Dados Online Analytical Processing Universidade Estadual de Goiás Unidade Universitária de Ciências Exatas e Tecnológicas

10 RESUMO Em diversas situações presentes no cotidiano, pode-se afirmar que a informação tem se mostrado um fator de destaque, seja na economia, indústria, comércio ou educação, a forma como a informação é utilizada e de onde ela provém, pode fazer a diferença na tomada de decisões de uma empresa ou instituição seja ela púbica ou privada. Os Armazéns de Dados surgiram para dar suporte a essa necessidade, garantindo a organização, consistência, dados não voláteis, dentre outras diversas vantagens. Um Armazém de Dados consiste na organização de diversos bancos de dados oriundos da própria instituição, a junção organizada desses bancos dá origem ao que é chamado de Armazém de Dados ou Data Warehouse. Para realizar essa ação é necessário transportar de um modelo relacional já existente para um modelo multidimensional, essa montagem dispõe de ferramentas que proporcionam uma avaliação baseada em fatos históricos. A organização de um arquivo de dados com modelagem multidimensional, permite consultas sob diversas ópticas, podendo responder à questões que um banco de dados comum não seria capaz de proporcionar, como por exemplo: Quanto tem crescido o índice de reprovação de alunos do curso de Sistemas de Informação matriculados na disciplina de Cálculo nos últimos dez anos?. Para melhor entendimento, serão apresentados conceitos como Data Mart que pode ser considerado como uma subdivisão do Armazém de Dados, Metadados entendido como Dados sobre Dados, Ferramentas OLAP que são as possíveis formas de visualização dos dados, dentre outros. É comum a utilização de Armazém de Dados principalmente em instituições financeiras, porém ainda é apresentado como novidade em instituições de ensino. O presente estudo tem como objetivo propor a montagem de um Armazém de Dados para uma Instituição de Ensino Superior Pública, visando proporcionar uma ferramenta que contribua para melhor análise da qualidade dos cursos oferecidos na Universidade Estadual de Goiás Unidade de Ciências Exatas e Tecnológicas, permitindo assim, o aprimoramento dos mesmos. Palavras-chave: Data Warehouse, Data Mart, Armazém de Dados, Metadados.

11 ABSTRACT In many situations present in our daily lives, we can affirm that the information has been a prominent factor, whether in economics, industry, commerce or education, how the information is used and where it comes from, can make a difference in decision decisions of a company or institution be it public or private, the Data Warehouse emerged to support this need, ensuring the organization, consistency, non-volatile data, among several other advantages. A Data Warehouse is to organize various databases from the institution itself, the junction organized these banks gives rise to what is called "data warehouse" to conduct such action is necessary to move from a relational model to an existing model multidimensional, this mount offers tools that provide an assessment based on historical facts. The organization of a data file with multidimensional modeling, allows queries under various optical and can answer the questions that a common database would not be able to provide, such as: "How much has grown the failure rate of students of Information Systems discipline enrolled in Calculus in the last ten years? ". For better understanding, will be presented as Data Mart concepts that can be regarded as a subdivision of the Data Warehouse, Metadata understood as "data about data", OLAP tools which are the possible ways of data visualization, among others. It is common to use Data Warehouse mainly financial institutions, but it is still presented as a novelty in educational institutions. This study aims to propose the installation of a Data Warehouse to a Public Institution of Higher Education, aiming to provide a tool that contributes to better analyze the quality of the courses offered at the Universidade Estadual de Goiás Unidade de Ciências Exatas e Tecnologicas, allowing the improvement of the same. Keywords: Data Mart, Data Warehouse, Metadata

12 SUMÁRIO INTRODUÇÃO... 1 CAPÍTULO 1 Fundamentação Teórica Armazém de Dados e Data Mart Metadados Modelo Multidimensional e Operações OLAP (Online Analytical Processing) Modelo Físico Star (Estrela) Modelo Físíco Snowflake (Floco de Neve) Tabelas Fato e Dimensões CAPÍTULO 2 Metodologia da Pesquisa Tipos de Pesquisa Universo e Amostra Instrumentos utilizados na coleta e tratamento de dados Dificuldades Encontradas CAPÍTULO 3 Estudo de Caso Necessidades levantadas Modelo de Entidade e Relacionamento Criação do Data Mart CAPÍTULO 4 Modelo Final Dimensões OLAP Modelo Físico CONCLUSÃO REFERÊNCIAS Apêndice I Cronograma de Atividades do Trabalho de Conclusão de Curso Apêndice II Pôster apresentado no IV simpósio de Tecnologia da Informação e IV Semana de Iniciação Científica do Curso de Sistemas de Informação UNUCET-UEG

13 1 INTRODUÇÃO Dentre os diversos tipos de armazenamento mais utilizados no mundo, encontram -se os Bancos de Dados, por ser a forma mais rápida quando se quer realizar uma pesquisa. Com o crescente desenvolvimento de indústrias, empresas que vão de pequeno à grande porte, instituições de diversos tipos, são necessários bancos cada vez mais robustos e eficientes.(paris, 2012) Para tomada de decisões estratégicas é necessário mais que dados, é preciso um modo de se extrair informações a partir dos mesmos, essa seria a grande necessidade que objetivou a criação dos chamados Armazém de dados, ou em inglês Data Warehouse. Uma vez que a quantidade de dados cresce em uma empresa ou instituição, é possível montar um histórico dos dados através do qual o usuário pode planejar ações e definir estratégias com base em informações geradas através de dados antigos e atuais. Ao longo dos anos, tem-se uma dificuldade em discernir o significado de Dados e Informação, é comum se deparar com pessoas e até mesmo literaturas que consideram que ambas possuem a mesma acepção, é necessário porém, identificar o real sentido de tais palavras, antes de se dar início à um estudo de Armazém de Dados. Enquanto Dado é a representação de fatos que sozinhos não fazem sentido ao homem, Informação são dados organizados de forma útil que possuem um significado conveniente. Um exemplo para diferenciar dados de Informações, são as letras RUOPCMTDOA que aparentemente não possuem algum sentido, no entanto após serem processados geram a informação : COMPUTADOR, em outras palavras a Informação pode ser entendida como o conjunto de dados ordenados e organizados de forma a terem um significado. (FAVARETTO, 2012) Um Armazém de Dados em português, tem esse nome em virtude da alta capacidade de armazenamento não volátil, enquanto um banco de dados comum se preocupa em armazenar dados atuais de forma sintética afim de não comprometer o tempo de resposta à consultas. O Armazém de Dados procura armazenar a maior quantidade de dados possível, para assim proporcionar ao usuário uma análise histórica, transmitindo não apenas dados, mas principalmente a informação ao usuário. (MACHADO, 2009) A montagem de Armazém de Dados em instituições de ensino superior pode viabilizar diversos tipos de análises que proporcionam aprimoriamento na qualidade do ensino.

14 2 O ingresso em universidades públicas é algo que tem despertado interesse em estudantes de escolas particulares e públicas de ensino médio, visando a melhor qualidade de ensino, os vestibulandos concorrem às disputadas vagas nas universidades públicas. É notório que diversas situações levam a pensar que as chances de alunos de escolas públicas, alcançarem uma vaga nessas instituições são notoriamente menores que alunos oriundos de escolas particulares, porém após a conquista da almejada vaga, seria interessante para a universidade obter informações acerca do aproveitamento dos alunos, levando em consideração o tempo para formação ou a desistência, nos diversos cursos oferecidos. Não existe um banco de dados que proporcione respostas para tais questões, para isso é necessário montar um banco de dados multidimensional onde através de técnicas de mineração de dados, é possível explanar tais informações. O presente estudo propõe uma pesquisa a ser realizada na Universidade Estadual de Goiás, com os cursos de graduação oferecidos na Unidade Universitária de Ciências Exatas e Tecnológicas (UnUCET). A pesquisa relaciona o período de no mínimo oito anos anteriores (2005 a 2011). Para nortear o presente trabalho, colocou-se como problema de pesquisa Seria possível um banco de dados onde é viabilizada a utilização de métodos de pesquisa para avaliação do desempenho dos cursos na Universidade? assim, o objetivo geral dessa pesquisa consiste em Propor a montagem de um Armazém de Dados que possibilite uma posterior mineração de dados para responder questões acerca do desempenho dos cursos de graduação oferecidos na universidade, e dos acadêmicos ingressos nos últimos oito anos. Para alcançar tal resposta, foram definidos objetivos específicos, esses são: Coletar informações acerca de como são armazenados os dados da Universidade. Estudar uma forma de armazenamento de múltiplas dimensões cabível à necessidade da instituição. Propor a montagem de um Armazém de Dados que possibilite a utilização de técnicas de mineração de dados. No primeiro capítulo é encontrado o referencial teórico, que traz assuntos relacionados à conhecimentos científicos acerca do tema, conceitos como: Armazém de Dados, Data Mart, Modelo Multidimensional, Metadados, Sistemas OLAP e Modelos Físicos, são esclarecidos neste capítulo. A Metodologia de Pesquisa usada neste projeto, encontra-se no capítulo dois, onde é possível visualizar as dificuldades obtidas na confecção deste projeto, os tipos de

15 3 pesquisa escolhidos, forma de tratamento dos dados, instrumentos usados, além do universo e amostra. Para o estudo de caso, destinou-se o capítulo três, no qual foram expostos os dados disponibilizados pela instituição e montagem do atual quadro em que se encontra a UnUCET. Os resultados da pesquisa, assim como a análise pormenorizada dos fatos observados, apresentação dos argumentos e concatenação de das ideias, são apresentadas no capítulo quatro. A conclusão dessa pesquisa propõe a eventual criação de um armazém de dados onde será possível a extração de informações acerca dos cursos de graduação da UnUCET, contribuindo assim, para melhoria nos cursos oferecidos.

16 4 CAPÍTULO 1 Fundamentação Teórica A Montagem de um Armazém de Dados, vai além de um simples banco de dados com registros históricos. Para uma montagem de alto nível é preciso incorporar conceitos e padrões com o fim de se alcançar a eficácia e a eficiência no projeto. Para montagem do Armazém de dados é necessário um repositório, chamado de Data Mart. Para utilizá-los tem-se duas visões distintas a de Inmon e a de Kimball, que posteriormente serão analisadas mais detalhadamente. Os metadados são necessários para a comunicação entre o sistema de Armazém de Dados e o usuário final, contendo informações acerca dos dados, quais dados existem, como podem ser acessados, como estão armazenados. Em outras palavras, os metadados contém informações sobre os dados que compõe o Armazém de Dados. (MACHADO, 2009) O Armazém de Dados é criado em modelagem multidimensional, ou seja, podemos visualizar os dados sob diversas ópticas, com o fim de obter informação. Para essa visualização é possível contar com as ferramentas OLAP cujas aplicações permitem aos usuários finais o acesso para extrair os dados de suas bases e construir os relatórios capazes de responder às suas questões gerenciais. Como modelos físicos serão apresentados: Star (Estrela) e o Snowflake (Floco de Neve) ambos apresentando tabela Fato e Dimensões. O estudo aborda os conceitos citados com maior detalhe a seguir. (INMON, 1999) 1.1 Armazém de Dados e Data Mart Um Armazém de Dados pode ser entendido como um Depósito de dados onde são armazenadas informações sobre a empresa ou instituição consolidando informações procedidas de bancos de dados pré-existentes para transformação de dados em informações que proporcionem uma análise para tomada de decisões no ambiente institucional. Os Armazéns de Dados surgiram na decada de 80, e tem se tornado cada vez mais conhecidos, de acordo com estatísticas mundiais o tempo gasto com análise de dados para tomada de decisões é siginificativamente menor quando são utilizadas estratégias de Data Warehouse. (DWAREHOUSE, 2012) É importante ressaltar que não existe um Armazém de Dados pronto para ser utilizado sem um trabalho anterior de levantamento de necessidades da instituição e de seus diretores. A construção exige transferência e transformação dos dados existentes em sistemas

17 5 corporativos para uma base de dados independente. Essa base de dados pode ser disponibilizada para usuários para a consulta de informações. Sua crescente utilização está relacionada à necessidade de domínio de informações estratégicas, assim, o principal objetivo do Armazém de Dados é disponibilizar informações para apoio a decisões da instituição. (MACHADO, 2009). A definição mais usada para Data Mart é que ele representa um subconjunto de dados do Armazém de Dados. Em síntese pode-se dizer que os Data Marts permitem um acesso descentralizado e serve de fonte para os dados que irão compor os bancos de dados individuais. Uma das principais vantagens na utilização do Data Mart é a possibilidade de retorno mais rápido, promovendo maior envolvimento com o usuário final, capaz de avaliar os benefícios extraídos de seu investimento.(henrique, 2012) Existem duas visões principais a respeito da montagem de um Armazém de Dados, Ralph Kimball defende a teoria de que o Armazém de Dados deve ser dividido para depois ser conquistado, ou seja, o mais viável para a empresa é desenvolver Data Marts (Repositório de Dados) e depois integrá-los para assim se obter o Armazém. No final, existira uma série de pontos de conexão que é chamado de tabelas Fato e Dimensão em conformidade. Kimball nomeou esse conceito de Data Warehouse Bus Architeture. Rebatendo a teoria de Kimball, Bill Inmon propõe o inverso, segundo ele é mais interessante construir primeiramente um Armazém de Dados, modelando-se toda a empresa para se chegar a um único modelo corporativo e posteriormente partir para os Data Marts construidos por assuntos. (HENRIQUES, 2012) Nosso estudo será embasado principalmente da teoria de Ralph Kimball, não impedindo, entretanto, a incorporação de estudos realizados por Bill Inmon. 1.2 Metadados Os metadados são considerados em algumas literaturas como Dados sobre Dados. Os sistemas de Armazém de Dados possuem um repositório de metadados, que é uma abstração de dados, em outras palavras, dados de mais alto nível que descrevem dados de níveis inferiores. (ALVES, 2012) Os metadados podem surgir de vários locais no decorrer do projeto, desde documentação de projetos, como materiais utilizados em entrevistas com usuários. Eles facilitam o entendimento dos relacionamentos e a utilidade das informações a partir dos dados.

18 6 Compondo o DNA do Armazém de Dados, os metadados desempenham importante papel, pois sem eles o Data Warehouse e seus componentes assossiados no ambiente projetado seriam meramente componentes soltos, funcionando independentemente e com objetivos separados. Assim os metadados permitem ao usuário trasformar os dados crus em informações que gerem conhecimento e tragam vantagem competitiva. (ALVES, 2012) Os metadados se dividem em doi grupos: Tecnicos e Negócios, conforme ilustrado na figura 1: Figura 1- Repositório de Metadados (MACHADO, 2009) Os metadados técnicos fornecem aos desenvolvedores e usuários técnicos, a confiança de que os dados estão corretos. Alguns exemplos: Controle de Auditoria; Dependência dos programas; Nomes das tabelas do Armazém de Dados. Já os metadados de Negócios, são a ligação entre os usuários de negócios (executivos e analistas de negócios) e o Data Warehouse. Eles mostram que relatórios, consultas e dados estão no DW, a localização, confiabilidade e contexto dos dados, além de regras de transformação e as origens desses dados. Como exemplo, pode-se citar: Mapeamento dos campos das tabelas Físicas do DW; Informação sobre sumarizações e transformações de dados; Estrutura dos dados com a nomeclatura que possa ser facilmente entendida pelo usuário final. (MACHADO, 2009)

19 7 A solução para a comunicação entre o sistema de Armazém de Dados e o usuário final são os metadados, que informam ao usuário, qual informação existe no Armazém de Dados e como essas informações podem ser acessadas. Os metadados precisam guardar informações a respeito de como o Armazém foi montado e estruturado, além de especificar quando os dados foram utilizados pela última vez, a fonte do dado e como ele é gerado.(inmon, 1999) 1.3 Modelo Multidimensional e Operações OLAP (Online Analytical Processing) A modelagem Multidimensional é uma técnica de concepção e visualização de um modelo de dados de um conjunto de medidas que descrevem aspectos comuns de negócios. É utilizada especialmente para sumarizar e reestruturar dados e apresentá-los em visões que suportem a análise dos valores desses dados. (HORITA, 2012) Um modelo multidimensional é formado por três elementos básicos: Fatos, Dimensões e Medidas também chamadas Variáveis. Desse modo, a modelagem multidimensional representa os dados com dimensões em vez de tabelas, é possível visualizar na figura 2: Figura 2- Modelo Multidimensional (MACHADO, 2009) As ferramentas OLAP (Online Analytical Processing) são aplicações às quais os usuários finais têm acesso para extrair os dados de suas bases e construir os relatórios capazes de responder às suas questões gerenciais. (MACHADO, 2009) Para entender melhor os tipos de operações OLAP é importante esclarecer o que é Granularidade, este termo refere-se ao nível de sumarização dos elementos e de detalhe

20 8 disponível nos dados. Quanto mais detalhe existir nos dados, mais baixo será o nível de granularidade consequentemente, quanto menos detalhe existir nos dados, mais alto será o nível de granularidade. (MOREIRA, 2012) Existem quatro tipos de operações em OLAP que são utilizadas para analisar dados: Drill Down e Roll Up A operação é denominada Drill Down quando o usuário aumenta o nível de detalhe da informação, diminuindo assim, o seu grau de granularidade. Enquanto que Roll Up é o inverso, ou seja, quando o usuário diminui o grau de detalhamento e aumenta o nível de granularidade. Drill Across Acontece quando o usuário ignora um nível intermediário dentro de uma mesma dimensão. Por exemplo, temos a dimensão Tempo composta por: Ano, Semestre, Trimestre e Mês. O usuário efetua um Drill Across passando de Ano para Mês. Drill Throught Quando o usuário passa uma informação contida em uma dimensão para uma outra, por exemplo, o usuário está na dimensão Tempo e logo após começa a analisar a informação por Região. Slice and Dice Em palavras simples, significa a redução do escopo dos dados. Slice é a operação que corta o cubo, mantendo a mesma perspectiva de visualização dos dados. Dice é a mudança de perspectiva da visão. É a extração de um subcubo ou a interseção de vários Slices. É como girar um cubo nas próprias mãos. Operações OLAP podem ser combinadas, em outras palavras, pode-se realizar um Slice e um Dice ao mesmo tempo com operações de Drill Down ou Roll Up. (MACHADO, 2009).

21 9 1.4 Modelo Físico Star (Estrela) Também conhecido como Star schema, sua composição possuiu um conjunto de pequenas entidades (Dimensão) relacionadas com uma entidade central (Fato). Na figura numero três tem-se um fato e ao redor várias dimensões que participam desse fato.(machado, 2009) Figura 3- Modelo Físico Estrela (MACHADO 2009) É importante ressaltar que nesse modelo as dimensões não são normalizadas, ou seja, cada tabela (por exemplo: categoria, departamento) contém suas descrições repetidas nos registros, aumentando assim, o espaço utilizado no disco. (GOLDSCHMIDT, 2012) 1.5 Modelo Físíco Snowflake (Floco de Neve) É o resultado da decomposição de uma ou mais dimensões que possuem hierarquia entre seus membros. O modelo é demonstrado na figura 4: Figura 4- Modelo Físico Floco de Neve (MACHADO, 2009)

22 10 As tabelas dimensionais se relacionam com as tabelas de Fatos, mas algumas dimensões se relacionam apenas entre elas, isto ocorre para fins de normalização das tabelas dimensionais visando diminuir o espaço ocupado por estas tabelas. Dessa forma, passa -se a utilizar mais tabelas para utilizar as mesmas dimensões, porém é ocupado menos espaço em disco do que no modo estrela. O modelo Snow- Flake tem esse nome porque cada dimensão se divide em outras tabelas, lembrando a forma de um floco de neve. (MACHADO, 2009) 1.6 Tabelas Fato e Dimensões Tudo aquilo que é considerado importante para a tomada de decisões, pode ser considerado um Fato, em palavras simples, a administração da empresa busca fatos históricos para planejamentos futuros. Tambem pode ser entendido como aquilo que pode ser representado numericamente. [...] Característica importante para identificar um fato é que ele é evolutivo, muda suas medidas com o tempo, podendo ser sempre questionado sobre essa evolução ao longo de um espaço de tempo.(machado,2009). Um exemplo para melhor entendimento está na seguinte afirmação: O índice de reprovação em Estrutura de Dados, tem aumentado nos últimos quatro anos. Constitui um Fato, que pode ser mudado ao decorrer dos anos. Os elementos que participam de um fato são no mínimo: Onde aconteceu Quando aconteceu Quem executou O que é o objeto do fato Cada um desses elementos é chamado de Dimensão e são ligados à tabela Fato. Uma Dimensão é um tipo de informação que participa da definição de um fato. As Medidas são os atributos ou variáveis numéricas que representam o fato. (HORITA, 2012) As tabelas Fato são compostas obrigatoriamente por uma chave primaria, composta pelas chaves primarias das tabelas que contém as Dimensões do Fato. Além dessas informações a tabela fato também pode conter medidas que variam de numérica ou sem medida. A seguir, três exemplos de tabela Fato: (MOREIRA, 2012) Aditivas: São numéricas e são somadas com relação à dimensões existêntes, ex: quantidade, valor.

23 11 Semi- Aditivas: São numéricas mas não podem ser somadas com relação à todas as dimensões. Não- Aditivas: Dados nao numéricos, ex: materia1, materia2.

24 12 CAPÍTULO 2 Metodologia da Pesquisa A partir da utilização de metodologias e técnicas de extração e concatenação de dados e informações é possível melhor entendimento para propor um resultado ao determinado problema de pesquisa proposto. Este capítulo, tem o intuito de apresentar os tipos de pesquisa realizados, a forma de tratamento dos dados, ambiente, universo e amostra. 2.1 Tipos de Pesquisa Quanto aos fins, este estudo apresenta o tipo de pesquisa como Exploratória e Descritiva. Caracateriza-se por Exploratória, pois foi realizado em área de pouco conhecimento e Descritiva por expor características da amostra estudada, envolvendo técnicas padronizadas e estruturadas de coleta de dados. Existem diversos armazéns de dados no mundo, contudo, a maioria desses armazéns são destinados à empresas privadas ou públicas de grande porte, pouco se tem notícia de Armazém de Dados destinados à entidades de ensino, mais especificamente a instituições de ensino pública. As amostras estudadas foram extraídas de um relatório enviado por parte da instituição, embora a pesquisa não tenha sido totalmente embasada neste relatório, o mesmo serviu como apoio para nortear o estudo, com o fim de ser centrado na realidade da instituição. Quanto aos meios a pesquisa caracteriza-se por Bibliográfica e de Campo. Bibliografica, pois foram analisados materiais publicados, tais como livros e documentos em sítios na internet. As pesquisas bibliográficas foram de fundamental importância neste estudo, os livros, artigos e sítios nos quais foram encontrados materiais para pesquisa, contribuíram para maior conhecimento acerca da montagem de Armazém de Dados, sendo possível um melhor entendimento acerca das etapas e procedimentos a serem seguidos. De campo, pois foram estudados relatórios e procedimentos, disponibilizados por gestores da universidade, acerca de como funciona o armazenamento dos dados dos cursos e acadêmicos da instituição.

25 Universo e Amostra O ambiente cujo embasamento se faz presente este estudo, é a Universidade Estadual de Goiás, que tem sua sede na Br 153 Fazenda Barrero, contando atualmente com 27 unidades e 38 cursos diferentes, segundo informações no sítio da universidade. Este estudo foi realizado na Unidade Universitaria de Ciências Exatas e tecnológicas, localizada no mesmo prédio onde se encontra a sede. O universo da pesquisa foi a Universidade Estadual de Goiás e para amostra foram coletados dados oriundos dos cursos de graduação oferecidos UnUCET. Os dados foram obtidos por meio de relatório enviado por meio da pró-reitoria de graduação da universidade, disponibilizado na ferramenta Excel. Outros dados também foram obtidos por meio de entrevistas informais realizadas com trabalhadores da instituição. Segundo o relatório disponibilizado pela universidade, o número de cursos oferecidos pela UnUCET são 11 destes 3 são no período matutino e vespertino, 1 matutino, 2 noturnos e 5 são de período integral. 2.3 Instrumentos utilizados na coleta e tratamento de dados Os dados utilizados foram disponibilizados pela instituição no Microsoft Excel- 2007, para elaboração do Diagrama de Entidade e Relacionamento (DER), utilizou-se a ferramenta DBDigner versão 4. Na montagem de banco de dados para estudos e testes durante o tratamento dos dados, utilizou-se o Sistema Gerenciador de Banco de Dados, (SGBD) MySQL versão 5.1. Os dados foram tratados qualitativamente, pois foram retirados nomes das tabelas para entendimento de como funciona o banco de dados acerca do relacionamento entre cursos, disciplinas e acadêmicos atualmente. A partir dos dados disponibilizados pela instituição e das entrevistas realizadas, foi possível compreender de forma mais clara o estudo biblíografico realizado no Capítulo 1, fundamentando as idéias e conceitos estabelecidos, podendo assim chegar ao estudo de caso apresentado no Capítulo 3. A partir de então foi possível propor uma montagem de armazém de dados para a universidade o qual é apresentado no capítulo 4.

26 Dificuldades Encontradas Para propor um estudo centrado na atual realidade da unidade universitária é necessário a maior confiabilidade possível dos dados estudados. Embora a universidade tenha proposto a disponilização de tais informações, a burocracia do processo acarretou em uma demora que de certa maneira atrasou determinadas etapas do processo de elaboração do estudo. A falta de relatórios que detalhassem de forma mais precisa a atual situação do banco de dados da instituição também ocasionou em uma dificuldade. Contornando as situações que se apresentaram como empecilhos, foi realizado um estudo no qual se buscou a maior veracidade possível dos dados e informações utilizadas.

27 15 CAPÍTULO 3 Estudo de Caso A Universidade Estadual de Goiás conta atualmente com um número de 27 unidades, cada unidade possui uma determinada quantidade de cursos oferecidos e este número varia de acordo com a cidade. Os cursos são compostos por várias disciplinas, e o número de disciplinas varia de acordo com o curso. Podem existir disciplinas comuns a cursos diferentes, como Cálculo, Probabilidade e Estatística e outras disciplinas presentes em diversos cursos. Um aluno pode estar matriculado em uma ou diversas disciplinas, assim como um professor pode ministrar uma ou várias disciplinas. Os alunos matriculados na instituição podem ser oriundos de escolas públicas ou de escolas particulares. Os professores podem ter diferentes graus de formação e cada curso tem um coordenador. Cada disciplina, assim como o curso tem um tempo de duração específico. 3.1 Necessidades levantadas As principais necessidades visualizadas são relacionadas a seguir: 1. Visualizar ao longo do tempo, o índice de aproveitamento dos cursos de graduação, considerando quanto tempo um aluno leva para se formar. 2. Analisar o desempenho das disciplinas através das médias referentes às notas dos acadêmicos. 3. Analisar o índice de reprovação dos alunos. 4. Analisar o índice de desistência dos acadêmicos de cursos de graduação. 5. Presumir a quantidade de vezes que um professor ministrou a mesma disciplina. 6. Visualizar o índice de acadêmicos oriundos de escolas públicas. 3.2 Modelo de Entidade e Relacionamento Na figura 5, A seguir é possível visualisar um modelo de entidade e relacionamento. Para desenhar esse modelo foi utilizado um relatório disponibilizado pela instituição, por ser um relatório com poucas informações, grande parte dos atributos e tabelas deste modelo foram inseridos por suposição.

28 16 Figura 5- Modelo de Entidade e Relacionamento A partir do MER- Modelo de Entidade e Relacionamento é possível entender que o aluno está vinculado à disciplina através da matricula, esta por sua vez é alencada ao curso através da entidade DISCIPLINA_TEM_CURSO. A necessidade de uma entidade entre Curso e Disciplina se dá pelo motivo que em um curso existem diversas disciplinas, assim como uma disciplina pode estar presente em um ou mais cursos. Acontece de forma semelhante entre as entidades PROFESSOR e DISCIPLINA e entre ALUNO e DISCIPLINA, por isso criou-se as entidades PROFESSOR_MINISTRA_DISCIPLINA e ALUNO_MATRICULA_DISCIPLINA.

29 17 tabela: A partir do modelo de entidade e relacionamento é possível simular a seguinte A tabela exemplifica que um mesmo professor pode ministrar diferentes disciplinas, um professor não é vinculado a um único curso. A tabela CURSO é vinculada à tabela DISCIPLINA, ou seja, o aluno João da Silva está matriculado na disciplina Cálculo do curso Sistemas de Informação, porém o aluno não pertence ao curso Sistemas de Informação e sim ao curso Fármácia, segundo a coluna CursoAluno, que é um atributo da entidade Aluno segundo o Modelo de Entidade e Relacionamento citado anteriormente. Embora a linguagem SQL permita consultas sob diversas ópticas, entende-se que é inviável analisar o desempenho dos cursos e disciplinas utilizando apenas o modelo relacional, pois seria necessárias a criação de diversos tipos de consultas, que talvez não chegassem ao resultado esperado, pois o modelo ER (Entidade e Relacionamento) não permite o armazenamento de dados históricos. 3.3 Criação do Data Mart Como descrito no início deste estudo, será seguido o modelo de Ralph Kimball, iniciando a construção do Armazém de Dados a partir do Data Mart, para isso, é necessário analisar as cardinalidades no modelo apresentado, cada relacionamento de Muitos para Muitos é identificado como um Fato. (MACHADO, 2009). As tabelas que possuem cardinalidade Muitos para Muitos, são quatro: CURSO_COMPOE_UNIDADE DISCIPLINA_TEM_CURSO ALUNO_MATRICULA_DISCIPLINA PROFESSOR_MINISTRA_DISCIPLINA

30 18 O escopo deste estudo abrange apenas a unidade UNUCET, por isso, será descartada a tabela CURSO_COMPOE_UNIDADE. A partir de então, tem-se três tabelas a serem analisadas para a criação das tabelas Fato. DISCIPLINA_TEM_CURSO ALUNO_MATRICULA_DISCIPLINA PROFESSOR_MINISTRA_DISCIPLINA O primeiro fato a se modelar é ALUNO_MATRICULA_DISCIPLINA que se pode resumir em MATRICULA é nela que está o centro do modelo. Ao responder as perguntas citadas no item 1.6 deste estudo é possível identificar as dimensões que participam do fato: Quem? Aluno Onde? Disciplina Quando? Tempo O que é o elemento desse fato? Curso Como neste estudo será utilizado o modelo físico Estrela, na figura 6, segue um esboço de como fica inicialmente o diagrama: Figura 6- Modelo Estrela Data Mart Para a dimensão Tempo serão extraídos alguns atributos da entidade ALUNO_MATRICULA_DISCIPLINA. Para melhor entendimento, segue na figura 7, o modelo estrela, com os atributos pertencentes ao Fato e às Dimensões:

31 19 Figura 7- Data Mart com Atributos e Dimensões- 1 Na dimensão Tempo é possível visualizar o tempo através das medidas, Semestre e Ano, pois existem cursos que são semestrais, assim como suas disciplinas. A partir do momento em que se tem o modelo, é possível averiguar se o modelo responde aos requisitos citados no item 3.1: 1. Visualizar ao longo do tempo, o índice de aproveitamento dos cursos de graduação, considerando quanto tempo um aluno leva para se formar. O modelo possui o curso do aluno, disciplinas e o tempo que informa as datas de início e conclusão das disciplinas que compõe o curso, logo, é possível inserir a medida tempo_para_formacao, considerando que se o acadêmico estiver com todas as disciplinas concluídas ele esta apto para formar-se. Pode-se considerar que o modelo satisfaz o primeiro requisito.

32 20 2. Analisar o desempenho das disciplinas através das médias referentes às notas dos acadêmicos: Este requisito também é atendido, pois consta no Fato o atributo nota e medianota, desta maneira, não se faz necessário acrescentar qualquer item. 3. Analisar o índice de reprovação dos alunos: O índice de repovação dos alunos pode ser obtido considerando-se a medianota ou totalassitencia, será inserido uma medida chamada de resultadofinal esse campo poderá ser preenchido como Aprovado ou Reprovado. 4. Analisar o índice de desistência dos acadêmicos de cursos de graduação: Este requisito será tratado de maneira semelhante ao anterior, um atributo chamado desistencia que será preenchido de forma positiva, caso o acadêmico declare desistência da disciplina, ou negativa, caso não haja manifestação de desistência por parte do aluno. Figura 8- Data Mart com Atributos e Dimensões- 2

33 O Modelo, figura 8, ilustra os atributos resultadofinal e desistencia respectivamente citados nos dois últimos requisitos Visualizar o índice de acadêmicos oriundos de escolas públicas: Este requisito também é atendido pelo modelo acima, pois na dimensão ALUNO é possível enxergar o atributo oriundoescola que indica se o acadêmico é originário de escola pública ou particular. 6. Presumir a quantidade de vezes que um professor ministrou a mesma disciplina. Para cumprir esse requisito, será necessária a inclusão de mais uma dimensão, chamada PROFESSOR. Ao relacionar a dimensão PROFESSOR ao Fato é possível obter o número de ocorrências de um mesmo professor em uma matricula de determinada disciplina, pois o Fato passa a ter a chave estrangeira referente ao Professor como é possível visualizar na figura 9: Figura 9- Data Mart com Atributos e Dimensões- 3

34 22 CAPÍTULO 4 Modelo Final O modelo final apresentado contém apenas uma tabela Fato, porém, não é necessário que um Data Mart tenha apenas um fato, existem situações em que há necessidade de duas ou mais tabelas Fato utilizando dimensões comuns aos mesmos. O modelo final produzido pode ser considerado de qualidade, pois permite consultas para as quais o mesmo foi elaborado, satisfazendo os principais requisitos apresentados. Na figura 10, a ilustração do modelo final. Figura 10- Modelo Final

35 Dimensões OLAP No primeiro capítulo, foi apresentado como funciona o modelo multidimensional cuja estrutura é representada por um cubo, onde o fato é o próprio cubo e as dimensões são as diversas faces do mesmo. Ao analisar o modelo físico agora de forma multidimensional é possível visualizar de forma mais clara como podem ser utilizadas as ferramentas OLAP, estudadas também no capítulo 1. Em outras palavras, é possível visualizar quais informações podem ser extraídas a partir do modelo proposto. Figura 11- Dimensões OLAP - 01 A figura 11, ilustra o fato Matrícula, ao explorar o modelo inicial, é possível dizer, por exemplo, que os alunos José e Aline, oriundos de escola pública levaram 1 e 2 semestres respectivamente para concluírem a disciplina de cálculo, enquanto os oriundos de escola particular Maria e Jorge demoraram concernentes 4 e 2 semestres. O requisito de número 1 citado no capítulo 3 item 3.1, pode ser atendido pelo modelo se trocar a dimensão Disciplina pela dimensão Curso. A dimensão Tempo pode ser analisada com medidas semestrais ou anuais, pois existem cursos e disciplinas que são semestrais, enquanto outras são anuais.

36 24 No exemplo abaixo é possível visualizar outro tipo de informação, proporcionada pelo modelo. Os alunos matriculados no curso de matemática no primeiro semestre de levaram em média 7 anos para se formarem, no curso de Física e Química Licenciatura 4 anos e no curso de Farmácia 5 anos. O ano de Ingresso é composto por um último algarismo que identifica o semestre, quando 1 representa o primeiro semestre e quando 2 o segundo semestre do ano em questão. Esse modelo atende aos requisitos citados no capítulo 3 item 3.1, para isso são utilizadas as ferramentas OLAP descritas no capítulo 1 item 1.3, onde é possível visualizar os dados de diferentes formas alternando as dimensões, conforme ilustra a figura 12: Figura 12 Dimensões OLAP - 02 É importante lembrar que os dados apresentados são fictícios, pois não é permitida a divulgação de dados reais da instituição.

37 Modelo Físico Como o objetivo do estudo não é a criação de um Data Warehouse e sim o estudo da montagem, não será apresentado o script de criação das tabelas, todavia, segue na figura 13 o modelo final com os respectivos tipos de dados. Figura 13- Modelo Final com Tipos de Dados

38 26 CONCLUSÃO O estudo apresentado teve como objetivo geral propor a montagem de um Armazém de Dados para a Instituição de Ensino Superior Pública Universidade Estadual de Goiás Unidade de Ciências Exatas e Tecnológicas. O estudo visou analisar a viabilidade da possível criação do Armazém de Dados para assim obter respostas a questionamentos gerenciais sobre índices de desempenho dos cursos e ou disciplinas disponibilizadas na Unidade, bem como o aproveitamento de discentes e docentes da instituição. O problema de pesquisa que norteou o estudo foi Seria possível um banco de dados onde é viabilizada a utilização de métodos de pesquisa para avaliação do desempenho dos cursos na Universidade? A resposta ao problema de pesquisa teve como embasamento as bibliografias analisadas que se apresentam de forma condensada no capítulo 1, além do relatório disponibilizado pela instituição, o qual se encontra disponível no apêndice 2 de forma resumida. Segundo apresentado nos capítulos 3 e 4, foi possível modelar um banco multidimensional considerado de alta qualidade, dado que atende as principais necessidades apresentadas, as quais são descritas no capítulo 3, sendo possível considerar como viável a criação do Armazém de dados para a instituição. Para chegar ao resultado esperado, foi imprescindível seguir o cronograma proposto e empenhar-se para alcançar os objetivos específicos. O primeiro objetivo consistia em coletar as informações sobre como são armazenados os dados da universidade, tal objetivo foi alcançado de forma parcial, pois embora a instituição tenha disponibilizado um relatório, eram necessárias mais informações as quais foram inseridas por suposições fundamentadas em pesquisas bibliográficas. O segundo objetivo foi estudar uma forma de armazenamento multidimensional cabível às necessidades da instituição, o estudo foi elaborado com êxito e é apresentado no capítulo 3. A proposição da montagem do Armazém de Dados no qual é possível a aplicação de técnicas de mineração de dados, tais como a utilização de ferramentas OLAP, é apresentado no capítulo 4 efetuando assim, o terceiro objetivo especifico. A pesquisa foi concluída com sucesso, pois atinge o objetivo geral, assim como objetivos específicos e responde ao problema de pesquisa proposto.

39 27 A recomendação para uma próxima pesquisa é um estudo sobre mineração de dados fundamentado no Armazém de Dados proposto, ou ainda a implementação da proposta de Data Warehouse apresentada no estudo. Por se tratar de uma instituiçao de ensino pública, o custo para a implantação do Armazém de Dados não seria alto, pois a instiuição conta com icentivos do governo, além de ferramentas como SQLServer e outras, disponibilizadas pela Microsoft, sem custos para a universidade, além de professores e alunos disponíveis para pesquisas científicas. Outras possibilidades de possíveis pesquisas é o estudo da montagem de Data Marts para as outras áreas da nstituição, como por exemplo a área financeira, biblioteca, dentre outros. O leque de possíbilidades para estudos fundamentados em Armazém de Dados é grande, com estudo e criatividade pode-se obter estudos de alto padrão de intelectualidade acerca do assunto.

40 28 REFERÊNCIAS ALVES, R. C. V. Web semântica: uma análise focada no uso de metadados f. Dissertação (Mestrado em Ciência da Informação) - Faculdade de Filosofia e Ciências, Universidade Estadual Paulista, Marília, DWAREHOUSE. Data Warehouse, Data Mining & OLAP. Disponível em : < Acesso em 02 de abril de2012. FAVARETTO, Fabio. Data Warehouse: Nova Tecnologia para suporte à decisão em Gestão da produção.< > Acesso em 17 de outubro de GOLDSCHMIDT, R.R; SOUZA,R.P; VIEIRA, A.S. Data Warehouse Uma Introdução<http://www.fij.br/revista/arq/vol01_01/datawarehouse.pdf> Acesso em 28 de maio de HENRIQUE, Ozimar. Data Warehouse x Data Mart. Disponível em:< em 18 de maio de HENRIQUES, Ana.Abordagem Kimbal Vs. Abordagem Inmon. Disponível em: <http://www.slideshare.net/guest2308b5/kimball-vs-inmon> Acesso em 11 de abril de HORITA, Flavio. Modelagem Dimensional <http://www.flaviohorita.stillit.com.br/index.php> Acesso em 28 de maio de INMON W.H., WELCH J. D., GLASSEY K. L. Gerenciando Data Warehouse. São Paulo, Editora Makron Books,1999. MACHADO, Felipe Nery Rodrigues.Tecnologia e Projeto de Data Warehouse. São Paulo: Editora Erica, MOREIRA, Eduardo. Modelo Dimensional para Data Warehouse. Disponível em:< em 11 de abril de 2012.

41 29 PARIS, Riliane Alpoim. A Tecnologia de Data Warehouse nas Organizações. Disponível em:< > Acesso em 17 de outubro de SILVA, LARISSA B.B. Metodologia e Modelo Conceitual para o desenvolvimento de cursos extracurriculares a distância, utilizando Sistemas Tutores Inteligentes - Uma proposta para os graduandos de Sistemas de Informação da UEG/UnUCET. Anápolis: UEG, TIC. Conceitos relativos à Informação. Diponível em : <http://www.aprendercomastics.net/tic/materiaisapoio/informacaoedados.pdf> Acesso em 02 de abril de VERGARA, Sylvia Constant. Projetos e relatórios de Pesquisa em Administração. São Paulo: Editora Atlas,2007.

42 30 APÊNDICES Apêndice I Cronograma de Atividades do Trabalho de Conclusão de Curso Cronograma de atividades proposto no projeto do Trabalho de Conclusão de Curso

43 31 Apêndice II Pôster apresentado no IV simpósio de Tecnologia da Informação e IV Semana de Iniciação Científica do Curso de Sistemas de Informação UNUCET-UEG. Pôster Montagem de Data Warehouse para Instituição de Ensino Superior Pública

Sistemas de Apoio à Decisão (SAD) - Senado

Sistemas de Apoio à Decisão (SAD) - Senado Sistemas de Apoio à Decisão (SAD) - Senado DW OLAP BI Ilka Kawashita Material preparado :Prof. Marcio Vitorino Sumário OLAP Data Warehouse (DW/ETL) Modelagem Multidimensional Data Mining BI - Business

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto OLPT x OLAP Roteiro OLTP Datawarehouse OLAP Operações OLAP Exemplo com Mondrian e Jpivot

Leia mais

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3.

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3. Sumário Data Warehouse Modelagem Multidimensional. Data Mining BI - Business Inteligence. 1 2 Introdução Aplicações do negócio: constituem as aplicações que dão suporte ao dia a dia do negócio da empresa,

Leia mais

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE Fabio Favaretto Professor adjunto - Programa de Pós Graduação em Engenharia de Produção

Leia mais

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago DATA WAREHOUSE Rafael Ervin Hass Raphael Laércio Zago Roteiro Introdução Aplicações Arquitetura Características Desenvolvimento Estudo de Caso Conclusão Introdução O conceito de "data warehousing" data

Leia mais

Data Warehouses Uma Introdução

Data Warehouses Uma Introdução Data Warehouses Uma Introdução Alex dos Santos Vieira, Renaldy Pereira Sousa, Ronaldo Ribeiro Goldschmidt 1. Motivação e Conceitos Básicos Com o advento da globalização, a competitividade entre as empresas

Leia mais

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence É um conjunto de conceitos e metodologias que, fazem uso de acontecimentos e sistemas e apoiam a tomada de decisões. Utilização de várias fontes de informação para se definir estratégias de competividade

Leia mais

Data Warehouse Granularidade. rogerioaraujo.wordpress.com twitter: @rgildoaraujo - rgildoaraujo@gmail.com 1

Data Warehouse Granularidade. rogerioaraujo.wordpress.com twitter: @rgildoaraujo - rgildoaraujo@gmail.com 1 Data Warehouse Granularidade rogerioaraujo.wordpress.com twitter: @rgildoaraujo - rgildoaraujo@gmail.com 1 Granularidade A granularidade de dados refere-se ao nível de sumarização dos elementos e de detalhe

Leia mais

Banco de Dados - Senado

Banco de Dados - Senado Banco de Dados - Senado Exercícios OLAP - CESPE Material preparado: Prof. Marcio Vitorino OLAP Material preparado: Prof. Marcio Vitorino Soluções MOLAP promovem maior independência de fornecedores de SGBDs

Leia mais

Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql

Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql Carlos H. Cardoso 1, Roberto D Nebo 1, Luis A. da Silva 1 1 Curso de Tecnologia em Banco

Leia mais

Complemento I - Noções Introdutórias em Data Warehouses

Complemento I - Noções Introdutórias em Data Warehouses Complemento I - Noções Introdutórias em Data Warehouses Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence

Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence Juntamente com o desenvolvimento desses aplicativos surgiram os problemas: & Data Warehouse July Any Rizzo Oswaldo Filho Década de 70: alguns produtos de BI Intensa e exaustiva programação Informação em

Leia mais

Data Warehouse Processos e Arquitetura

Data Warehouse Processos e Arquitetura Data Warehouse - definições: Coleção de dados orientada a assunto, integrada, não volátil e variável em relação ao tempo, que tem por objetivo dar apoio aos processos de tomada de decisão (Inmon, 1997)

Leia mais

SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4.

SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4. SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4.1 Armazenamento... 5 4.2 Modelagem... 6 4.3 Metadado... 6 4.4

Leia mais

PLANO DE ENSINO PRÉ-REQUISITOS: ENS

PLANO DE ENSINO PRÉ-REQUISITOS: ENS UNIVERSIDADE DO ESTADO DE SANTA CATARINA UDESC CENTRO DE EDUCAÇÃO SUPERIOR DO ALTO VALE DO ITAJAÍ CEAVI PLANO DE ENSINO DEPARTAMENTO: DSI Departamento de Sistema de Informação DISCIPLINA: Data Warehouse

Leia mais

Data Warehousing. Leonardo da Silva Leandro. CIn.ufpe.br

Data Warehousing. Leonardo da Silva Leandro. CIn.ufpe.br Data Warehousing Leonardo da Silva Leandro Agenda Conceito Elementos básicos de um DW Arquitetura do DW Top-Down Bottom-Up Distribuído Modelo de Dados Estrela Snowflake Aplicação Conceito Em português:

Leia mais

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Data Warehouses Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Conceitos Básicos Data Warehouse(DW) Banco de Dados voltado para

Leia mais

DATA WAREHOUSE. Introdução

DATA WAREHOUSE. Introdução DATA WAREHOUSE Introdução O grande crescimento do ambiente de negócios, médias e grandes empresas armazenam também um alto volume de informações, onde que juntamente com a tecnologia da informação, a correta

Leia mais

IMPLANTAÇÃO DO DW NA ANVISA

IMPLANTAÇÃO DO DW NA ANVISA 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

Leia mais

Diferença Entre Banco de Dados Relacional e Banco de Dados Dimensional. Difference Between Relational Database and Dimensional Database

Diferença Entre Banco de Dados Relacional e Banco de Dados Dimensional. Difference Between Relational Database and Dimensional Database Diferença Entre Banco de Dados Relacional e Banco de Dados Dimensional Difference Between Relational Database and Dimensional Database Edgar Silveira Jardim 1 Marcus Vinícius Abreu de Oliveira 2 Rodrigo

Leia mais

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados slide 1 1 Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall Objetivos de estudo Como um banco de dados

Leia mais

DESENVOLVIMENTO DE PLUG-INS KETTLE PARA GERAÇÃO DE MONDRIAN SCHEMA A PARTIR DE BASES RELACIONAIS, UTILIZANDO A METODOLOGIA AGILE ROLAP.

DESENVOLVIMENTO DE PLUG-INS KETTLE PARA GERAÇÃO DE MONDRIAN SCHEMA A PARTIR DE BASES RELACIONAIS, UTILIZANDO A METODOLOGIA AGILE ROLAP. DESENVOLVIMENTO DE PLUG-INS KETTLE PARA GERAÇÃO DE MONDRIAN SCHEMA A PARTIR DE BASES RELACIONAIS, UTILIZANDO A METODOLOGIA AGILE ROLAP. Eduardo Cristovo de Freitas Aguiar (PIBIC/CNPq), André Luís Andrade

Leia mais

Aplicando Técnicas de Business Intelligence sobre dados de desempenho Acadêmico: Um estudo de caso

Aplicando Técnicas de Business Intelligence sobre dados de desempenho Acadêmico: Um estudo de caso Aplicando Técnicas de Business Intelligence sobre dados de desempenho Acadêmico: Um estudo de caso Ana Magela Rodriguez Almeida 1, Sandro da Silva Camargo 1 1 Curso Engenharia de Computação Universidade

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na

Leia mais

SAD orientado a DADOS

SAD orientado a DADOS Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry SAD orientado a DADOS DISCIPLINA: Sistemas de Apoio a Decisão SAD orientado a dados Utilizam grandes repositórios

Leia mais

5 Estudo de Caso. 5.1. Material selecionado para o estudo de caso

5 Estudo de Caso. 5.1. Material selecionado para o estudo de caso 5 Estudo de Caso De modo a ilustrar a estruturação e representação de conteúdos educacionais segundo a proposta apresentada nesta tese, neste capítulo apresentamos um estudo de caso que apresenta, para

Leia mais

KDD E MINERAÇÃO DE DADOS:

KDD E MINERAÇÃO DE DADOS: KDD E MINERAÇÃO DE DADOS: Revisão em Data Warehouses Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt 1 DATA WAREHOUSES UMA VISÃO GERAL

Leia mais

Business Intelligence e ferramentas de suporte

Business Intelligence e ferramentas de suporte O modelo apresentado na figura procura enfatizar dois aspectos: o primeiro é sobre os aplicativos que cobrem os sistemas que são executados baseados no conhecimento do negócio; sendo assim, o SCM faz o

Leia mais

Implementação de um Data Warehouse para Analise Multidimensional de Informações da Secretária de Trânsito de Guaíba

Implementação de um Data Warehouse para Analise Multidimensional de Informações da Secretária de Trânsito de Guaíba Implementação de um Data Warehouse para Analise Multidimensional de Informações da Secretária de Trânsito de Guaíba Fernando Maganha 1, Daniel Murara Barcia 2 1 Acadêmico do Curso de Sistemas de Informação

Leia mais

Processo Decisório, OLAP e Relatórios Corporativos OLAP E RELATÓRIOS CORPORATIVOS

Processo Decisório, OLAP e Relatórios Corporativos OLAP E RELATÓRIOS CORPORATIVOS Processo Decisório, OLAP e Relatórios Corporativos OLAP E RELATÓRIOS CORPORATIVOS Sumário Conceitos/Autores chave... 3 1. Introdução... 5 2. OLAP... 6 3. Operações em OLAP... 8 4. Arquiteturas em OLAP...

Leia mais

Data Warehouse. Debora Marrach Renata Miwa Tsuruda

Data Warehouse. Debora Marrach Renata Miwa Tsuruda Debora Marrach Renata Miwa Tsuruda Agenda Introdução Contexto corporativo Agenda Introdução Contexto corporativo Introdução O conceito de Data Warehouse surgiu da necessidade de integrar dados corporativos

Leia mais

Business Intelligence aplicado a área da saúde: potencializando a tomada de decisão

Business Intelligence aplicado a área da saúde: potencializando a tomada de decisão Business Intelligence aplicado a área da saúde: potencializando a tomada de decisão Daiane Kelly de Oliveira 1, Dorirley Rodrigo Alves 1 1 Instituto de Ciências Exatas e Informática PUC Minas Campus Guanhães

Leia mais

MODELAGEM GRÁFICA DE DATA WAREHOUSES E DATA MARTS USANDO UML

MODELAGEM GRÁFICA DE DATA WAREHOUSES E DATA MARTS USANDO UML 1 MODELAGEM GRÁFICA DE DATA WAREHOUSES E DATA MARTS USANDO UML JOANA SCHEEREN Porto Alegre 2009 2 JOANA SCHEEREN MODELAGEM GRÁFICA DE DATA WAREHOUSES E DATA MARTS USANDO UML Trabalho de Conclusão de Curso

Leia mais

Data Warehouse. Djenane Cristina Silveira dos Santos¹, Felipe Gomes do Prado¹, José Justino Neto¹, Márcia Taliene Alves de Paiva¹

Data Warehouse. Djenane Cristina Silveira dos Santos¹, Felipe Gomes do Prado¹, José Justino Neto¹, Márcia Taliene Alves de Paiva¹ Data Warehouse. Djenane Cristina Silveira dos Santos¹, Felipe Gomes do Prado¹, José Justino Neto¹, Márcia Taliene Alves de Paiva¹ ¹Ciência da Computação Universidade Federal de Itajubá (UNIFEI) MG Brasil

Leia mais

Modelo de dados do Data Warehouse

Modelo de dados do Data Warehouse Modelo de dados do Data Warehouse Ricardo Andreatto O modelo de dados tem um papel fundamental para o desenvolvimento interativo do data warehouse. Quando os esforços de desenvolvimentos são baseados em

Leia mais

Prof. Ronaldo R. Goldschmidt. ronaldo.rgold@gmail.com

Prof. Ronaldo R. Goldschmidt. ronaldo.rgold@gmail.com DATA WAREHOUSES UMA INTRODUÇÃO Prof. Ronaldo R. Goldschmidt ronaldo.rgold@gmail.com 1 DATA WAREHOUSES UMA INTRODUÇÃO Considerações Iniciais Conceitos Básicos Modelagem Multidimensional Projeto de Data

Leia mais

Tópicos Avançados Business Intelligence. Banco de Dados Prof. Otacílio José Pereira. Unidade 10 Tópicos Avançados Business Inteligence.

Tópicos Avançados Business Intelligence. Banco de Dados Prof. Otacílio José Pereira. Unidade 10 Tópicos Avançados Business Inteligence. Tópicos Avançados Business Intelligence Banco de Dados Prof. Otacílio José Pereira Unidade 10 Tópicos Avançados Business Inteligence Roteiro Introdução Níveis organizacionais na empresa Visão Geral das

Leia mais

BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING

BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING http://www.uniriotec.br/~tanaka/tin0036 tanaka@uniriotec.br Introdução a Data Warehousing e OLAP Introdução a Data Warehouse e Modelagem Dimensional Visão

Leia mais

Uma Arquitetura de Gestão de Dados em Ambiente Data Warehouse

Uma Arquitetura de Gestão de Dados em Ambiente Data Warehouse Uma Arquitetura de Gestão de Dados em Ambiente Data Warehouse Alcione Benacchio (UFPR) E mail: alcione@inf.ufpr.br Maria Salete Marcon Gomes Vaz (UEPG, UFPR) E mail: salete@uepg.br Resumo: O ambiente de

Leia mais

DATA WAREHOUSING. Data Warehousing

DATA WAREHOUSING. Data Warehousing DATA WAREHOUSING Data Warehousing Sumário Conceitos / Autores chave... 3 1. Introdução... 3 2. Modelos de Data Warehouse... 4 3. Processo de Extração, Transformação e Carga de Dados... 6 4. Data Mart versus

Leia mais

Sistema de pedidos para estabelecimentos de alimentação: QuickPed. Adailton Antonio Ribeiro

Sistema de pedidos para estabelecimentos de alimentação: QuickPed. Adailton Antonio Ribeiro 2011 Sistema de pedidos para estabelecimentos de alimentação: QuickPed Adailton Antonio Ribeiro UNIVERSIDADE ESTADUAL DE GOIÁS UNIDADE UNIVERSITÁRIA DE CIÊNCIAS EXATAS E TECNOLÓGICAS BACHARELADO EM SISTEMAS

Leia mais

Uma aplicação de Data Warehouse para análise do processo de coleta de sangue e de medula óssea

Uma aplicação de Data Warehouse para análise do processo de coleta de sangue e de medula óssea Uma aplicação de Data Warehouse para análise do processo de coleta de sangue e de medula óssea Rogério de Torres Pelito, Gleise Celeste Gonzaga Pereira, Diana Maria da Silva de Souza, André Luiz Alves

Leia mais

Fundamentos da Análise Multidimensional

Fundamentos da Análise Multidimensional Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Fundamentos da Análise Multidimensional Fundamentos da Análise Multidimensional

Leia mais

Modelando um Data Warehouse GRIMALDO OLIVEIRA

Modelando um Data Warehouse GRIMALDO OLIVEIRA Modelando um Data Warehouse GRIMALDO OLIVEIRA Sobre Grimaldo Grimaldo Oliveira grimaldo_lopes@hotmail.com Formação Mestre em Tecnologias Aplicadas a Educação pela Universidade do Estado da Bahia. Especialização

Leia mais

Curso de Engenharia de Sistemas e Informática - 5º Ano. Ficha T. Prática n.º 1

Curso de Engenharia de Sistemas e Informática - 5º Ano. Ficha T. Prática n.º 1 Análise Inteligente de Dados Objectivo: Curso de Engenharia de Sistemas e Informática - 5º Ano Ficha T. Prática n.º 1 Estudo do paradigma multidimensional com introdução de uma extensão ao diagrama E/R

Leia mais

OLAP em âmbito hospitalar: Transformação de dados de enfermagem para análise multidimensional

OLAP em âmbito hospitalar: Transformação de dados de enfermagem para análise multidimensional OLAP em âmbito hospitalar: Transformação de dados de enfermagem para análise multidimensional João Silva and José Saias m5672@alunos.uevora.pt, jsaias@di.uevora.pt Mestrado em Engenharia Informática, Universidade

Leia mais

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO @ribeirord FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO Rafael D. Ribeiro, M.Sc,PMP. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br Lembrando... Aula 4 1 Lembrando... Aula 4 Sistemas de apoio

Leia mais

Arquiteturas de DW e Abordagens de Implementação. Arquiteturas e Abordagens de Implementação

Arquiteturas de DW e Abordagens de Implementação. Arquiteturas e Abordagens de Implementação Curso de Dwing TecBD-DI PUC-Rio Prof. Rubens Melo Arquiteturas de DW e Abordagens de Implementação Arquiteturas e Abordagens de Implementação Arquitetura adequada é fundamental Infra-estrutura disponível

Leia mais

OS SISTEMAS DE APOIO À DECISÃO A SERVIÇO DO PROCESSO DE AVALIAÇÃO INSTITUCIONAL Estudo de Caso da Universidade do Vale do Itajaí

OS SISTEMAS DE APOIO À DECISÃO A SERVIÇO DO PROCESSO DE AVALIAÇÃO INSTITUCIONAL Estudo de Caso da Universidade do Vale do Itajaí OS SISTEMAS DE APOIO À DECISÃO A SERVIÇO DO PROCESSO DE AVALIAÇÃO INSTITUCIONAL Estudo de Caso da Universidade do Vale do Itajaí José Leomar Todesco, Dr Universidade do Vale Itajaí UNIVALI Rua Uruguai,

Leia mais

Thiago Locatelli de OLIVEIRA, Thaynara de Assis Machado de JESUS; Fernando José BRAZ Bolsistas CNPq; Orientador IFC Campus Araquari

Thiago Locatelli de OLIVEIRA, Thaynara de Assis Machado de JESUS; Fernando José BRAZ Bolsistas CNPq; Orientador IFC Campus Araquari DESENVOLVIMENTO DE AMBIENTE PARA A GESTÃO DO CONHECIMENTO RELACIONADO AOS DADOS PRODUZIDOS PELO SISTEMA DE GERENCIAMENTO DE TRANSITO DA CIDADE DE JOINVILLE/SC PARTE I Thiago Locatelli de OLIVEIRA, Thaynara

Leia mais

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.3 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

Data Warehousing Visão Geral do Processo

Data Warehousing Visão Geral do Processo Data Warehousing Visão Geral do Processo Organizações continuamente coletam dados, informações e conhecimento em níveis cada vez maiores,, e os armazenam em sistemas informatizados O número de usuários

Leia mais

Adriano Maranhão BUSINESS INTELLIGENCE (BI),

Adriano Maranhão BUSINESS INTELLIGENCE (BI), Adriano Maranhão BUSINESS INTELLIGENCE (BI), BUSINESS INTELLIGENCE (BI) O termo Business Intelligence (BI), popularizado por Howard Dresner do Gartner Group, é utilizado para definir sistemas orientados

Leia mais

Projeto de Data Warehousing sobre Informações em Saúde para dar Suporte a Análise de Faturamento Hospitalar

Projeto de Data Warehousing sobre Informações em Saúde para dar Suporte a Análise de Faturamento Hospitalar Projeto de Data Warehousing sobre Informações em Saúde para dar Suporte a Análise de Faturamento Hospitalar Newton Shydeo Brandão Miyoshi Joaquim Cezar Felipe Grupo de Informática Biomédica Departamento

Leia mais

Palavras-chave: On-line Analytical Processing, Data Warehouse, Web mining.

Palavras-chave: On-line Analytical Processing, Data Warehouse, Web mining. BUSINESS INTELLIGENCE COM DADOS EXTRAÍDOS DO FACEBOOK UTILIZANDO A SUÍTE PENTAHO Francy H. Silva de Almeida 1 ; Maycon Henrique Trindade 2 ; Everton Castelão Tetila 3 UFGD/FACET Caixa Postal 364, 79.804-970

Leia mais

PROPOSTA DE GERENCIAMENTO LOGÍSTICO BASEADO NA INTEGRAÇÃO DE SISTEMAS ATRAVÉS DE UM DATA WAREHOUSE

PROPOSTA DE GERENCIAMENTO LOGÍSTICO BASEADO NA INTEGRAÇÃO DE SISTEMAS ATRAVÉS DE UM DATA WAREHOUSE PROPOSTA DE GERENCIAMENTO LOGÍSTICO BASEADO NA INTEGRAÇÃO DE SISTEMAS ATRAVÉS DE UM DATA WAREHOUSE Fabio Favaretto Professor adjunto - Programa de Pós Graduação em Engenharia de Produção e Sistemas Pontifícia

Leia mais

Data Warehouse: uma classificação de seus Custos e Benefícios

Data Warehouse: uma classificação de seus Custos e Benefícios Data Warehouse: uma classificação de seus Custos e Benefícios Marcos Paulo Kohler Caldas (CEFET-ES/CEFET-PR) marcospaulo@cefetes.br Prof. Dr. Luciano Scandelari (CEFET-PR) luciano@cefetpr.br Prof. Dr.

Leia mais

PLANO DE ENSINO DO 2º SEMESTRE LETIVO DE 2012

PLANO DE ENSINO DO 2º SEMESTRE LETIVO DE 2012 PLANO DE ENSINO DO 2º SEMESTRE LETIVO DE 2012 Curso: TECNOLOGIA EM GESTÃO COMERCIAL Habilitação: TECNÓLOGO Disciplina: NEGÓCIOS INTELIGENTES (BUSINESS INTELLIGENCE) Período: M V N 4º semestre do Curso

Leia mais

Sistemas de Informação Aplicados a AgroIndústria Utilizando DataWarehouse/DataWebhouse

Sistemas de Informação Aplicados a AgroIndústria Utilizando DataWarehouse/DataWebhouse Sistemas de Informação Aplicados a AgroIndústria Utilizando DataWarehouse/DataWebhouse Prof. Dr. Oscar Dalfovo Universidade Regional de Blumenau - FURB, Blumenau, Brasil dalfovo@furb.br Prof. Dr. Juarez

Leia mais

APLICAÇÃO DA FERRAMENTA OLAP EM DIFERENTES MÓDULOS DE UM SISTEMA ERP MELHORANDO A TOMADA DE DECISÃO. Henrique César Gouveia 1 gouveia.henriq@gmail.

APLICAÇÃO DA FERRAMENTA OLAP EM DIFERENTES MÓDULOS DE UM SISTEMA ERP MELHORANDO A TOMADA DE DECISÃO. Henrique César Gouveia 1 gouveia.henriq@gmail. APLICAÇÃO DA FERRAMENTA OLAP EM DIFERENTES MÓDULOS DE UM SISTEMA ERP MELHORANDO A TOMADA DE DECISÃO Henrique César Gouveia 1 gouveia.henriq@gmail.com Muller Marciel Melo 2 muller_melo@hotmail.com Pedro

Leia mais

UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado)

UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado) UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado) SISTEMA INTERNO INTEGRADO PARA CONTROLE DE TAREFAS INTERNAS DE UMA EMPRESA DE DESENVOLVIMENTO

Leia mais

ACOMPANHAMENTO TESTE 6. Fonte: Carlos Barbieri. Fonte: Carlos Barbieri

ACOMPANHAMENTO TESTE 6. Fonte: Carlos Barbieri. Fonte: Carlos Barbieri PÓS-GRADUAÇÃO LATO SENSU Curso: Banco de Dados Disciplina: Data Warehouse e Business Intelligence Professor: Fernando Zaidan Unidade 2.1 - Cubos 2012 ACOMPANHAMENTO IMPLEMENTAÇÃO 8 7 9 TESTE 6 CONSTRUÇÃO

Leia mais

MODELAGEM DIMENSIONAL

MODELAGEM DIMENSIONAL CENTRO UNIVERSITÁRIO DO TRIÂNGULO INSTITUTO DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE CIÊNCIA DA COMPUTAÇÃO MODELAGEM DIMENSIONAL HELOISA MENDES LOPES Uberlândia, dezembro de 2000 CENTRO UNIVERSITÁRIO

Leia mais

Bases de Dados aplicadas a Inteligência de Negócios

Bases de Dados aplicadas a Inteligência de Negócios Agenda Bases de Dados aplicadas a Inteligência de Negócios Professor Sérgio Rodrigues professor@sergiorodrigues.net Sistemas de Gerenciamento de Bancos de Dados (SGBD) Tipos de Banco de Dados Noções de

Leia mais

Modelagem Relacional e Multidimensional: uma análise envolvendo Sistemas de Apoio a decisão

Modelagem Relacional e Multidimensional: uma análise envolvendo Sistemas de Apoio a decisão Modelagem Relacional e Multidimensional: uma análise envolvendo Sistemas de Apoio a decisão Rita Cristina Galarraga Berardi, Flávia Braga de Azambuja, Ana Marilza Pernas, Rodrigo Coelho Barros Departamento

Leia mais

4 Aplicação da Sistemática

4 Aplicação da Sistemática 4 Aplicação da Sistemática Este capítulo descreve a aplicação da sistemática definida no Capítulo 3 utilizando dados reais de uma estatística pública e aplicando tecnologias avançadas fazendo o uso de

Leia mais

Tópicos Avançados de Banco de Dados (Business Intelligence)

Tópicos Avançados de Banco de Dados (Business Intelligence) Tópicos Avançados de Banco de Dados (Business Intelligence) http://www.uniriotec.br/~tanaka/sain tanaka@uniriotec.br Modelagem Dimensional Conceitos Básicos Material baseado em originais de Maria Luiza

Leia mais

Introdução à Banco de Dados

Introdução à Banco de Dados Introdução à Banco de Dados Introdução à Banco de Dados Agenda O que é Banco de Dados Como ele funciona Sistema Gerenciador de Banco de Dados Modelagem de Dados Modelo de dados Entidade-Relacionamento

Leia mais

Módulo 2. Definindo Soluções OLAP

Módulo 2. Definindo Soluções OLAP Módulo 2. Definindo Soluções OLAP Objetivos Ao finalizar este módulo o participante: Recordará os conceitos básicos de um sistema OLTP com seus exemplos. Compreenderá as características de um Data Warehouse

Leia mais

Aplicação de Data Warehousing no Cadastro de Ficha Limpa do TSE

Aplicação de Data Warehousing no Cadastro de Ficha Limpa do TSE Aplicação de Data Warehousing no Cadastro de Ficha Limpa do TSE Mateus Ferreira Silva, Luís Gustavo Corrêa Lira, Marcelo Fernandes Antunes, Tatiana Escovedo, Rubens N. Melo mateusferreiras@gmail.com, gustavolira@ymail.com,

Leia mais

Uma análise multidimensional dos dados estratégicos da empresa usando o recurso OLAP do Microsoft Excel

Uma análise multidimensional dos dados estratégicos da empresa usando o recurso OLAP do Microsoft Excel Uma análise multidimensional dos dados estratégicos da empresa usando o recurso OLAP do Microsoft Excel Carlos Alberto Ferreira Bispo (AFA) cafbispo@siteplanet.com.br Daniela Gibertoni (FATECTQ) daniela@fatectq.com.br

Leia mais

OLAP: Características, Arquitetura e Ferramentas

OLAP: Características, Arquitetura e Ferramentas INSTITUTO VIANNA JÚNIOR FACULDADES INTEGRADAS VIANNA JÚNIOR OLAP: Características, Arquitetura e Ferramentas Erika Maria Teixeira Araújo 1 Mônica de Lourdes Souza Batista 2 Teresinha Moreira de Magalhães

Leia mais

MANUAL BI- Business Intelligence

MANUAL BI- Business Intelligence 1. VISÃO GERAL 1.1 SISTEMA BI Business Intelligence: Segundo Gartner Group, a maior ameaça das empresas da atualidade é o desconhecimento... O Business Intelligence se empenha em eliminar as dúvidas e

Leia mais

Integração Access-Excel para produzir um sistema de apoio a decisão que simula um Data Warehouse e OLAP

Integração Access-Excel para produzir um sistema de apoio a decisão que simula um Data Warehouse e OLAP Integração Access-Excel para produzir um sistema de apoio a decisão que simula um Data Warehouse e OLAP Wílson Luiz Vinci (Faculdades IPEP) wilson@cnptia.embrapa.br Marcelo Gonçalves Narciso (Embrapa Informática

Leia mais

ESCOLA SUPERIOR ABERTA DO BRASIL ESAB CURSO DE ENGENHARIA DE SISTEMAS RACHEL TEREZA MENEGAZZO

ESCOLA SUPERIOR ABERTA DO BRASIL ESAB CURSO DE ENGENHARIA DE SISTEMAS RACHEL TEREZA MENEGAZZO ESCOLA SUPERIOR ABERTA DO BRASIL ESAB CURSO DE ENGENHARIA DE SISTEMAS RACHEL TEREZA MENEGAZZO IMPLEMENTANDO UMA SOLUÇÃO OLAP UTILIZANDO SOFTWARE LIVRE CURITIBA PR 2009 RACHEL TEREZA MENEGAZZO IMPLEMENANDO

Leia mais

ROBSON DE CASTRO NERY

ROBSON DE CASTRO NERY i ROBSON DE CASTRO NERY UTILIZAÇÃO DE UM GUIDELINE PARA O DESENVOLVIMENTO DE UM DATA WEBHOUSE Palmas 2006 ii ROBSON DE CASTRO NERY UTILIZAÇÃO DE UM GUIDELINE PARA O DESENVOLVIMENTO DE UM DATA WEBHOUSE

Leia mais

ADMINISTRAÇÃO DOS RECURSOS DE DADOS

ADMINISTRAÇÃO DOS RECURSOS DE DADOS Capítulo 7 ADMINISTRAÇÃO DOS RECURSOS DE DADOS 7.1 2003 by Prentice Hall OBJETIVOS Por que as empresas sentem dificuldades para descobrir que tipo de informação precisam ter em seus sistemas de informação?

Leia mais

APLICAÇÃO DA ENGENHARIA DA INFORMAÇÃO NO PROJETO DE DATA WEBHOUSE

APLICAÇÃO DA ENGENHARIA DA INFORMAÇÃO NO PROJETO DE DATA WEBHOUSE i UNIVERSIDADE DO ESTADO DE SANTA CATARINA BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO MARCOS BERNARDELLI APLICAÇÃO DA ENGENHARIA DA INFORMAÇÃO NO PROJETO DE DATA WEBHOUSE Trabalho de conclusão de curso submetido

Leia mais

Prof. Ronaldo R. Goldschmidt. ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt

Prof. Ronaldo R. Goldschmidt. ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Prof. Ronaldo Ribeiro Goldschmidt REVISÃO DE BD RELACIONAIS E SQL! "" #!$ #%! $& #

Leia mais

Faculdade Pitágoras PROJETO DE DW FASES FCS-EM PROJETOS DE DW 08/02/2012. Unidade 2.1. Curso Superior de Tecnologia: Banco de Dados

Faculdade Pitágoras PROJETO DE DW FASES FCS-EM PROJETOS DE DW 08/02/2012. Unidade 2.1. Curso Superior de Tecnologia: Banco de Dados Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados Disciplina: Ferramentaspara Tomada de Decisão 2 DataWarehouse Unidade 2.1 2.1 Conceitos fundamentais e Cubos Prof.: Fernando Hadad Zaidan

Leia mais

DESMISTIFICANDO O CONCEITO DE ETL

DESMISTIFICANDO O CONCEITO DE ETL DESMISTIFICANDO O CONCEITO DE ETL Fábio Silva Gomes da Gama e Abreu- FSMA Resumo Este artigo aborda os conceitos de ETL (Extract, Transform and Load ou Extração, Transformação e Carga) com o objetivo de

Leia mais

ARMAZÉM DE DADOS SOBRE A ASSISTÊNCIA ONCOLÓGIA AMBULATORIAL DO SISTEMA ÚNICO DE SAÚDE

ARMAZÉM DE DADOS SOBRE A ASSISTÊNCIA ONCOLÓGIA AMBULATORIAL DO SISTEMA ÚNICO DE SAÚDE ARMAZÉM DE DADOS SOBRE A ASSISTÊNCIA ONCOLÓGIA AMBULATORIAL DO SISTEMA ÚNICO DE SAÚDE Rômulo Cristovão de Souza 1, Sergio Miranda Freire 1, Rosimary Terezinha de Almeida 2 1 Departamento de Tecnologia

Leia mais

Uma análise dos dados acadêmicos das Faculdades de Tecnologia do Centro Paula Souza utilizando a tecnologia de Data Warehouse.

Uma análise dos dados acadêmicos das Faculdades de Tecnologia do Centro Paula Souza utilizando a tecnologia de Data Warehouse. Uma análise dos dados acadêmicos das Faculdades de Tecnologia do Centro Paula Souza utilizando a tecnologia de Data Warehouse. Silvia Batista da Silva 1, Ms.Maria das Graças J. M. Tomazela 1, Dr.Aldo Pontes

Leia mais

Modelagem Multidimensional: Esquema Estrela

Modelagem Multidimensional: Esquema Estrela BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING http://www.uniriotec.br/~tanaka/tin0036 tanaka@uniriotec.br Modelagem Dimensional Conceitos Básicos Modelagem Multidimensional: Esquema Estrela Proposto por

Leia mais

Uma análise de ferramentas de modelagem e gerência de metadados aplicadas ao projeto de BI/DW-UFBA

Uma análise de ferramentas de modelagem e gerência de metadados aplicadas ao projeto de BI/DW-UFBA Universidade Federal da Bahia Instituto de Matemática Departamento de Ciência da Computação MATA67 Projeto Final II Uma análise de ferramentas de modelagem e gerência de metadados aplicadas ao projeto

Leia mais

Professor: Disciplina:

Professor: Disciplina: Professor: Curso: Esp. Marcos Morais de Sousa marcosmoraisdesousa@gmail.com Sistemas de informação Disciplina: Introdução a SI Noções de sistemas de informação Turma: 01º semestre Prof. Esp. Marcos Morais

Leia mais

Banco de Dados - Senado

Banco de Dados - Senado Banco de Dados - Senado Introdução Ilka Kawashita Material preparado :Prof. Marcio Vitorino Ementa do Curso n Banco de Dados n Sistemas de Apoio à Decisão (SAD) n ORACLE BANCO DE DADOS (BD) n Modelo Entidade

Leia mais

Prova INSS RJ - 2007 cargo: Fiscal de Rendas

Prova INSS RJ - 2007 cargo: Fiscal de Rendas Prova INSS RJ - 2007 cargo: Fiscal de Rendas Material de Apoio de Informática - Prof(a) Ana Lucia 53. Uma rede de microcomputadores acessa os recursos da Internet e utiliza o endereço IP 138.159.0.0/16,

Leia mais

Data Warehouse. Diogo Matos da Silva 1. Universidade Federal de Ouro Preto, Ouro Preto, MG, Brasil. Banco de Dados II

Data Warehouse. Diogo Matos da Silva 1. Universidade Federal de Ouro Preto, Ouro Preto, MG, Brasil. Banco de Dados II Data Warehouse Diogo Matos da Silva 1 1 Departamento de Computação Universidade Federal de Ouro Preto, Ouro Preto, MG, Brasil Banco de Dados II Diogo Matos (DECOM - UFOP) Banco de Dados II Jun 2013 1 /

Leia mais

Uma aplicação de Data Warehouse para apoiar negócios

Uma aplicação de Data Warehouse para apoiar negócios Uma aplicação de Data Warehouse para apoiar negócios André Vinicius Gouvêa Monteiro Marcos Paulo Oliveira Pinto Rosa Maria E. Moreira da Costa Universidade do Estado do Rio de Janeiro - UERJ IME - Dept

Leia mais

srbo@ufpa.br www.ufpa.br/srbo

srbo@ufpa.br www.ufpa.br/srbo CBSI Curso de Bacharelado em Sistemas de Informação BI Prof. Dr. Sandro Ronaldo Bezerra Oliveira srbo@ufpa.br www.ufpa.br/srbo Tópicos Especiais em Sistemas de Informação Faculdade de Computação Instituto

Leia mais

Bloco Administrativo

Bloco Administrativo Bloco Administrativo BI Business Intelligence Objetivo O objetivo deste artigo é dar uma visão geral sobre o Módulo Business Intelligence, que se encontra no Bloco Administrativo. Todas informações aqui

Leia mais

Uma Ferramenta Web para BI focada no Gestor de Informação

Uma Ferramenta Web para BI focada no Gestor de Informação Uma Ferramenta Web para BI focada no Gestor de Informação Mikael de Souza Fernandes 1, Gustavo Zanini Kantorski 12 mikael@cpd.ufsm.br, gustavoz@cpd.ufsm.br 1 Curso de Sistemas de Informação, Universidade

Leia mais

DISTRIBUIÇÃO GEOGRÁFICA DOS CURSOS DE GRADUAÇÃO E PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL NO BRASIL

DISTRIBUIÇÃO GEOGRÁFICA DOS CURSOS DE GRADUAÇÃO E PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL NO BRASIL DISTRIBUIÇÃO GEOGRÁFICA DOS CURSOS DE GRADUAÇÃO E PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL NO BRASIL Maria Cecília Bonato Brandalize maria.brandalize@pucpr.br Pontifícia Universidade Católica do Paraná, Curso

Leia mais

Capítulo 1 - A revolução dos dados, da informação e do conhecimento 1 B12 4

Capítulo 1 - A revolução dos dados, da informação e do conhecimento 1 B12 4 Sumário Capítulo 1 - A revolução dos dados, da informação e do conhecimento 1 B12 4 Capítulo 2 - Reputação corporativa e uma nova ordem empresarial 7 Inovação e virtualidade 9 Coopetição 10 Modelos plurais

Leia mais

Módulo 5. Implementando Cubos OLAP

Módulo 5. Implementando Cubos OLAP Módulo 5. Implementando Cubos OLAP Objetivos Compreender a importância da manipulação correta da segurança nos dados. Conhecer as operações que podem ser realizadas na consulta de um cubo. Entender o uso

Leia mais

DESENVOLVIMENTO DA SOLUÇÃO DE BUSINESS INTELLIGENCE EM UMA UNIVERSIDADE ESTADUAL, UTILIZANDO A FERRAMENTA EXCEL PARA MANIPULAÇÃO DOS DADOS

DESENVOLVIMENTO DA SOLUÇÃO DE BUSINESS INTELLIGENCE EM UMA UNIVERSIDADE ESTADUAL, UTILIZANDO A FERRAMENTA EXCEL PARA MANIPULAÇÃO DOS DADOS DESENVOLVIMENTO DA SOLUÇÃO DE BUSINESS INTELLIGENCE EM UMA UNIVERSIDADE ESTADUAL, UTILIZANDO A FERRAMENTA EXCEL PARA MANIPULAÇÃO DOS DADOS Flávio Augusto Lacerda de Farias Rogério Tronco Vassoler ** Resumo

Leia mais

Banco de Dados. Introdução. João Eduardo Ferreira Osvaldo Kotaro Takai. jef@ime.usp.br DCC-IME-USP

Banco de Dados. Introdução. João Eduardo Ferreira Osvaldo Kotaro Takai. jef@ime.usp.br DCC-IME-USP Banco de Dados Introdução João Eduardo Ferreira Osvaldo Kotaro Takai jef@ime.usp.br DCC-IME-USP Importância dos Bancos de Dados A competitividade das empresas depende de dados precisos e atualizados. Conforme

Leia mais

Curso Data warehouse e Business Intelligence Fundamentos, Metodologia e Arquitetura

Curso Data warehouse e Business Intelligence Fundamentos, Metodologia e Arquitetura Curso Data warehouse e Business Intelligence Fundamentos, Metodologia e Arquitetura Apresentação Os projetos de Data Warehouse e Business Intelligence são dos mais interessantes e complexos de desenvolver

Leia mais