IMPLANTAÇÃO DE FERRAMENTAS DE BUSINESS INTELLIGENCE EM UMA CONCESSIONÁRIA DE VEÍCULOS

Transcrição

1 IMPLANTAÇÃO DE FERRAMENTAS DE BUSINESS INTELLIGENCE EM UMA CONCESSIONÁRIA DE VEÍCULOS Tatiane Guimarães de Almeida (Faculdade Sant'ana) Resumo: Para que gestores organizacionais tomem decisões que favoreçam as empresas, o acesso a informações que os levem a melhores resoluções é fundamental. Logo, torna-se necessário disponibilizar os dados empresariais em forma de informações que possam ser analisadas sob diversos ângulos. A tecnologia de data warehouse permite que todos os dados da empresa sejam concentrados em um único armazém de dados, possibilitando consultas estratégicas através de ferramentas de análises. Tal tecnologia possibilita a extração de dados de diversos aplicativos e, através de um conceito de multidimensionalidade, permite que tais dados possam ser analisados por diferentes dimensões. O presente artigo tem como objetivo proporcionar aos tomadores de decisão de uma concessionária de veículos acesso a informações consistentes e relevantes, que irão auxiliá-los no processo de gestão, e oferecer agilidade e facilidade de análise dos dados, buscando maior competitividade e produtividade. Serão abordados conceitos importantes sobre essa tecnologia, visando a construção de um data mart, a criação do cubo de dados OLAP e a geração das planilhas com informações que agreguem valor ao negócio. Palavras-chave: Data warehouse, multidimensionalidade, ferramenta OLAP, informação. BUSINESS INTELLIGENCE TOOLS OF IMPLEMENTATION ON A VEHICLE DEALER Abstract For organizational managers make decisions that favor businesses, access to information leading to the best resolutions is key. Therefore, it is necessary to provide the enterprise data in the form of information that can be analyzed from different angles. The data warehouse technology allows all the company's data is concentrated into a single data warehouse, enabling strategic consultations through analysis tools. This technology allows various applications and data extraction, using a concept of multidimensionality, allows such data can be analyzed by different dimensions. This article aims to provide decision makers a car dealership access to consistent and relevant information that

2 will assist them in the management process, and offer speed and ease of data analysis, seeking greater competitiveness and productivity. important concepts about this technology will be addressed, aiming to build a data mart, the creation of OLAP data cube and generating spreadsheets with information that add value to the business. Key-words: Data warehouse, multidimensionality, OLAP tool, information. 1 Introdução Na era da tecnologia, o que mais se vê é uma abundante quantidade de dados armazenados pelas empresas. Tanto que o uso de servidores extremamente potentes tornou-se comum e mais recentemente o uso das nuvens. Investimentos em técnicas de segurança também são constantes e tudo para preservar algo de suma importância para as empresas: a informação. No entanto, a realidade é que o que muitas delas possuem hoje são grandes armazéns de dados isolados, e não repositórios de informações. Tal fato tem sido muito prejudicial, pois, no ambiente competitivo atual, entender e gerenciar informações torna-se crucial para que as empresas possam tomar decisões oportunas e responder às mudanças nas condições do negócio. Desenvolver a habilidade de transformar grandes volumes de dados em informações relevantes para a empresa gera grandes vantagens competitivas. A situação da concessionária, objeto deste artigo, reflete bem a problemática atual enfrentada pelas organizações, pois utiliza um sistema de gestão empresarial ERP (Enterprise Resource Planning) que não dispõe de um eficiente método de extração de dados, pecando na objetividade. Os relatórios gerados não fornecem todas as informações necessárias, os dados presentes em sua base não são adequadadamente utilizados, e o sistema ERP fornece relatórios padrões que em sua maioria não condizem com as necessidades da empresa. Logo, muitos dados inseridos na base acabam tornando-se inúteis, pois não são aproveitados como informação. Outro problema relatado pelos usuários é a dificuldade de integrar os vários módulos do sistema para obter históricos completos dos veículos, negociações com clientes, venda de peças e histórico da oficina. Um DW (data warehouse) transforma os dados em informações e provê aos seus usuários tomadas de decisões com mais precisão, eficiência e eficácia. Segundo Singh (2001), nas últimas décadas, a proliferação de aplicativos de processamento de dados para os diversos sistemas aplicativos de negócio complicou a tarefa de localizar e integrar dados para o suporte à decisão. Além disso, à medida que o poder para tomada de decisões é distribuído a todos os níveis da organização, mais pessoas precisam ter acesso a informações necessárias para esse fim. Como resultado, muitas organizações estão construindo data warehouses, bases de dados históricas e integradas a fim de prover a quem as usam a possibilidade de análise dos dados, para gerenciar e usar as informações do negócio competitivamente. 2 Metodologia Para implementação do warehouse foi usado o sistema gerenciador de banco de dados Firebird. Trata-se de um banco de dados Cliente/Servidor relacional que é compatível com SQL-ANSI-92, e foi desenvolvido para ser um banco de dados independente de plataformas e de sistemas operacionais (CANTU, 2005). O Firebird é open-source e freeware com as mesmas características de um sistema gerenciador de banco de dados pago, tem suporte a triggers, stored procedures e possui várias ferramentas freeware para manutenção da base.

3 A ferramenta de BI SQL ANALYSIS SERVICE foi escolhida para ser utilizada como ferramenta OLAP para análises multidimensionais, devido ao fato de ser um produto proprietário, consistente e estabelecido. Já para modelagem optou-se pelo ERwin, a qual suporta as técnicas de modelagem dimensional star schema e snowflake. Utilizando as regras de modelagem dimensional do ERwin para projetar tabelas de fato e dimensão, o modelo captura e documenta um vasto conjunto de informações sobre o DW. 3 Revisão bibliográfica 3.1 Dados versus Informação Existe uma grande dificuldade dos analistas e programadores entenderem a diferença entre informação e dado. Esta dificuldade traz, como conseqüência direta, problemas na especificação e modelagem de um sistema. Dado é informação bruta, descrição exata de algo ou de algum evento. Os dados em si não são dotados de relevância, propósitos e significados, mas são importantes porque são a matéria prima essencial para a criação da informação. (SANTOS, 2001 apud BEVILACQUA; BITU, 2003). Informação é um fluxo de mensagens, um produto capaz de gerar conhecimento. São dados impetrados, dotados de relevância e propósito. É um meio ou material necessário para extrair e construir o conhecimento. (MACHADO, 2004). Por exemplo, o dado Valor a vista = R$80.000,00 não nos diz muita coisa, já a informação A filial Ponta Grossa vendeu a vista no mês de agosto um total de R$80.000,00 nos leva a um entendimento do que foi exposto. 3.2 Data Warehouse (DW) Segundo Singh (2001), data warehouse é o processo de integração dos dados corporativos de uma empresa em um único repositório a partir do qual os usuários finais podem facilmente executar consultas, gerar relatórios e fazer análises. Um data warehouse é um ambiente de suporte à decisão que alavanca dados armazenados em diferentes fontes e os organiza e entrega aos tomadores de decisão da empresa, independente da plataforma que utilizam ou de seu nível de qualificação técnica. Existem várias definições, conceitos e ferramentas para a criação e manutenção de um DW, mas todos concordam que não existe nenhum data warehouse pronto para ser utilizado sem um trabalho anterior de levantamento das necessidades da empresa e de seus executivos, exigindo estudo e envolvimento da empresa na definição e construção dessa base de dados de utilização corporativa. (MACHADO, 2004). Para Inmon (1997) um DW se caracteriza por ser um conjunto de dados orientado por assunto, integrado, variável com o tempo e não volátil, que fornece suporte ao processo de tomada de decisão do negócio. Orientado por Assunto: Significa que um DW armazena as informações agrupadas por assuntos de interesse da empresa. Integrado: Os dados de um data warehouse podem ser provenientes de vários sistemas e as convenções de nomes, valores de variáveis, e outros atributos físicos de dados são formalmente unificados e integrados.

4 Variável com o tempo: Os dados de um DW representam resultados operacionais em determinado momento de tempo, o momento em que foram capturados. Tais dados formam um conjunto estático de registros, logo, os mesmos não podem ser atualizados. Não volátil: Significa que o DW é read-only (apenas para leitura), os usuários não podem gravar nele. Um warehouse somente possui operações de consulta, e sem a necessidade de nenhum tipo de bloqueio por concorrência de usuários no acesso. 3.3 Data Mart (DM) De acordo com (COREY et al., 2001), um data warehouse é um armazenamento de dados amplo, ele contém várias áreas de assunto. Já um data mart focaliza uma parte mais estreita da empresa. Normalmente, ele abrange uma única área de assunto e/ou tipo de análise. Por exemplo, um data warehouse corporativo poderia incluir informações a respeito de vendas, finanças e recursos humanos. A empresa também poderia manter vários data marts, um destinado à análise da movimentação de produtos do canal de varejo. Outro, localizado em uma sede regional, poderia ser usado para analisar vendas nessa região. E ainda outro, destinado à movimentação de funcionários. Figura 1 Data Mart. (MACHADO, 2004) Para Singh (2001) um data mart desempenha o papel de um data warehouse departamental, regional ou funcional. Na figura 1 é possível visualizar a relação entre um warehouse e um data mart. Podemos dizer que um DM representa um subconjunto de dados do DW e que uma das principais vantagens de seu emprego é a possibilidade de retorno rápido, garantindo um maior envolvimento do usuário final, capaz de avaliar os benefícios extraídos de seu investimento. (MACHADO, 2004). Assim como num warehouse, os dados do mart podem ser provenientes de vários sistemas, os marts também são orientados ao assunto, integrados, não-voláteis e variantes no tempo. (COREY et al., 2001). 3.4 Modelagem Multidimensional Modelo Entidade Relacionamento (MER) versus Modelo de Dados Multidimensional (MDM) Segundo Machado (2004) a modelagem de dados para DW é completamente diferente da utilizada em sistemas transacionais, devido, aos modelos de dados transacionais serem construídos respeitando a Terceira Forma Normal e não responderem com rapidez a questões típicas de queries de apoio a decisão, pois requerem de cinco a mais joins de tabelas. Além de

5 aumentar a complexidade, para que os usuários possam realizar consultas ad hoc, que são consultas com acesso casual único. Em um ambiente operacional a opção a ser escolhida é a modelagem ER. O diagrama ER é uma ferramenta que ajuda a análise de requisitos de negócio e o desenho de uma estrutura de dados. No entanto, com o advento do data warehouse necessitamos de uma técnica que suporte o ambiente de análise multidimensional de dados. Com a modelagem multidimensional os usuários finais facilmente entendem e navegam pela solução de estrutura de dados resultante. O modelo multidimensional usa sim normalização, mas considera apenas até a Segunda Forma Normal, o objetivo primário é justamente deixar o usuário final acessar a base de dados, já que um DW não suporta atualização pelos usuários finais, muitas das preocupações tratadas em um banco de dados normalizado não são pertinentes. Na modelagem multidimensional o enfoque passou de registrar e visualizar as informações para um questionamento do desempenho de determinados assuntos durante um espaço de tempo histórico, além de buscar simulações táticas para análise estratégica de decisões Características do Modelo Multidimensional Multidimensionalidade é a capacidade de organizar os dados da maneira como os usuários pensam a respeito deles. (COREY et al., 2001). Os elementos básicos que formam um modelo multidimensional são os fatos, as dimensões, as medidas e a granularidade. Fatos: Um fato é tudo aquilo que pode ser representado por valores numéricos. Ele é evolutivo, muda suas medidas com o tempo, podendo ser sempre questionado sobre essa evolução ao longo de um espaço de tempo. Dimensões: Todo e qualquer fato possui sempre no mínimo quatro pontos de referência, que são as dimensões básicas que o compõem, de onde vem a abordagem multidimensional, são eles: onde aconteceu o fato; quando aconteceu o fato; quem executou o fato e o que é objeto do fato. Medidas: Geralmente se deseja utilizar um DM para visualizar valores numéricos e sua evolução ou não, em um espaço de tempo, com cálculos de transformação desses dados. Esses valores numéricos são denominados de medidas ou métricas. Granularidade: A granularidade em um data warehouse se refere ao nível de detalhamento das informações armazenadas, ou seja, quanto mais detalhadas as informações menor a granularidade do data warehouse Visualização de um Modelo Multidimensional O modelo multidimensional pode ser representado através do desenho de um cubo. A metáfora denominada cubo é apenas uma aproximação da forma como os dados estão organizados, e não a real expressão de uma realidade. Os cubos de dados são estruturas nas quais os usuários finais fazem análises de dados multidimensionais, ou seja, navegam e exploram os mesmos, extraindo informações e conhecimento a partir dos dados. A Figura 2 representa um cubo com três dimensões, devido a sua facilidade de entendimento, sendo elas as dimensões produto, revenda e tempo. A interseção de várias

6 dimensões produz um local chamado de célula. Essa célula contém os valores que se interceptam dentro de todas as dimensões. Observando o cubo poderíamos verificar que o valor de vendas do Produto C, pela Revenda 01 no mês de Janeiro foi de 480. Logo, célula é um ponto de dados único que ocorre na interseção definida pela seleção de um valor de cada dimensão em um array multidimensional. Figura 2 Representação Multidimensional. (CRAMER 2006) Podemos pensar em uma tabela com suas linhas e colunas como simples e bidimensional, com cada direção, de cima para baixo e da esquerda para a direita sendo uma dimensão. Se incluíssemos outra dimensão, poderíamos criar um objeto semelhante a um cubo. Em termos de geometria podemos dizer que temos no mínimo, os eixos X, Y e Z. Entretanto, ao tratarmos com a análise multidimensional, não estamos limitados a duas ou três dimensões em combinação, mas apenas pelo poder das ferramentas. (COREY et al., 2001). 3.5 Ferramentas On-line Analytical Processing (OLAP) Segundo Singh (2001) o software OLAP com suas sofisticadas funções analíticas e sua habilidade de representar dados em um formato multidimensional, está emergindo rapidamente como a solução de escolha para suportar as decisões críticas da empresa. Ferramentas OLAP fornecem meios tecnológicos para análise complexa do negócio possibilitando aos usuários analisar e navegar pelos dados para detectar tendências, exceções e obter detalhes para entender melhor os altos e baixos das atividades de seu negócio. (MACHADO, 2004). Atualmente, existem muitas ferramentas OLAP disponíveis em vários fornecedores, mas para Corey et al. (2001), fundamentalmente, essas ferramentas devem ter as seguintes características: Multidimensionalidade: Permitir aos usuários verem medidas do desempenho organizacional decompostas pelas dimensões dessas medidas. Exploração: Possibilitar que o usuário navegue entre vários níveis de detalhamento dos dados. Rotação: Alterar a perspectiva de visão dos dados. Vários modos de visualização: Permitir que os dados possam ser visualizados não só em tabelas, mas também em gráficos, pois estes dão idéias sobre os dados, que podem não estar disponíveis em simples tabelas. A maioria dos sistemas OLAP fornece maneiras de ver os dados em uma variedade de formas.

7 Já, Sell (2006 apud Souza 2007) complementa afirmando que o objetivo das ferramentas OLAP é permitir análises por analistas de negócios, tendo requisitos bem particulares, tais como: Flexibilidade: Os analistas de negócio devem ter a liberdade e facilidade para escolher os dados a serem analisados bem como o formato no qual eles devem ser visualizados; Simplicidade: Ferramentas OLAP devem prover maneiras simples e intuitivas de confecção de análises; Expressividade: A linguagem de consulta utilizada pela ferramenta OLAP deve ser poderosa o suficiente para que o analista consiga extrair informações realmente úteis para o negocio; Poder de Análise: Ferramentas OLAP devem prever um conjunto de operações de agregação e exploração de dados que permitam análises de tendências e comparações complexas; Velocidade: O processamento das consultas sobre o data warehouse deve ser realizado em um tempo relativamente baixo. Essas características fazem com que as ferramentas OLAP sejam de fácil utilização por pessoas em vários níveis operacionais. As ferramentas OLAP são as 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. Elas surgiram para fazerem a consulta e análise dos dados dos DW e DM. Quatro tipos de operações básicas são utilizadas em OLAP para analisar dados: drill down, roll up, slice e dice. O drill down ocorre quando o usuário aumenta o nível de detalhe da informação, podendo navegar do mais alto nível até o dado detalhado. Já o drill up ou roll up é o contrário, ocorre quando diminui o nível de detalhamento da informação. Slice é o mesmo que filtrar ou fatiar, é a operação que corta o cubo, mas mantém a mesma perspectiva de visualização dos dados. Dice é a mudança de perspectiva da visão. 4. Implementação 4.1 Necessidades levantadas Nas entrevistas para atendimento dos requisitos, para criação de um data mart, foram apresentadas as seguintes necessidades: Os gerentes da área de vendas de veículos novos desejam acompanhar os valores de vendas à vista, a prazo, financiados e se houve ou não usados na negociação, e qual o valor do usado; Tais valores devem poder ser classificados por filial, veículo e vendedor; Também deve ser informado o número da nota da venda e a data. Sabendo quais informações são relevantes para a empresa é possível iniciar o processo de análise e modelagem multidimensional, o qual terá como objetivo suprir tais necessidades. 4.2 Modelo multidimensional Para fornecer as informações solicitadas pela empresa, foi levantada a necessidade de um fato vendas e das dimensões veículo, filial, vendedor e nota. No fato vendas a chave

8 primária será a combinação das chaves de todas as dimensões, através das das quais será possível identificar qual a nota, o veículo, a loja e o vendedor envolvido na venda. Os atributos contidos no fato vendas serão essenciais para fornecer os relatórios desejados pela concessionária, pois possibilitarão a identificação dos valores de vendas a vista, a prazo, financiados e se houve usados na negociação. A dimensão Nota fornecerá o número da nota envolvida na venda e a data que a mesma foi lançada. Filial é a dimensão responsável por informar onde foi a venda, ou seja, qual a loja que efetuou a venda em questão. A Vendedor possui o código e o nome de quem realizou a venda e a dimensão Veículo informa o que foi vendido, fornecendo todos os dados do veículo vendido. 4.3 Criação do cubo de dados O Cubo OLAP é uma estrutura multidimensional composta basicamente por dimensões e medidas. As dimensões são os filtros pelos quais os dados serão vistos, ou seja, a maneira como desejo ver os dados. As medidas por sua vez são os dados. Todas as formas de visualização dos dados são definidas durante a criação do cubo OLAP, por isso é considerada uma das fases mais importantes da criação do data warehouse. Antes de gerar o cubo, a base de dados onde ele ficará armazenado deve ser criada, para isso utilizamos a Ferramenta Analysis Manager, contida no Analises Services do Microsoft SQL Server. Criado o Database, a comunicação com o banco de dados multidimensional deve ser configurada usando o driver ODBC do Firebird para comunicar com o banco, e também criando um New Datasource que fará a ligação entre o driver ODBC e o Analysis Manager fechando assim a ligação entre o banco multidimensional e a ferramenta OLAP. Configurada a conexão com o banco, deve ser estabelecida a comunicação entre a ferramenta OLAP e o driver ODBC. Para a definição do caminho que a ferramenta deverá percorrer para fazer a comunicação com o banco multidimensional deve ser escolhido o driver de comunicação e identificada a fonte de dados, onde deve ser fornecido o nome, o usuário e a senha para a conexão. Fornecidas tais informações, a comunicação com o banco de dados multidimensional estará estabelecida e o Cubo OLAP pode ser criado. A edição do Cubo é feita no Editor de Cubos do Analysis Manager, onde deve ser definida a tabela Fato, que será a tabela Vendas. Após a escolha da Tabela Fato, são inseridas as Tabelas que conterão os dados que servirão como Dimensões do esquema. A Tabela Fato com suas dimensões, seguirão a modelagem star schema (modelo estrela), conforme Figura 3, na qual a tabela fato ficará ao centro e as tabelas dimensões em suas extremidades, o único relacionamento existente entre as tabelas dimensões será a tabela fato. De posse do modelo estrela, devem ser determinados quais dados servirão como medidas do cubo OLAP, essas medidas são fornecidas pela tabela fato. O processo de inserção das dimensões é semelhante ao das medidas, os dados, que servirão como dimensões, são fornecidos pelas tabelas que ficam ao redor da tabela fato, os atributos contidos em cada tabela devem ser selecionados e inseridos como dimensões do cubo. Escolhidas as Dimensões e as Medidas do cubo ele está pronto para ser processado. Atributos de Medida: VALOR_DA_VENDA, VALOR_VISTA, VALOR_PRAZO, VALOR_FINANCIADO, QTDE_USADOS, VALOR_USADOS.

9 Atributos de Dimensão: CÓDIGO (Tabela Filial), NOME (Tabela Filial), NR_NOTA, DATA_NOTA, CÓDIGO (Tabela Vendedor), NOME (Tabela Vendedor), CÓDIGO (Tabela Veículo), CHASSI, PLACA, ANO, MARCA, FAMILIA, MODELO. Figura 3 Edição do Cubo OLAP Processamento do Cubo OLAP O processamento do cubo é relativamente rápido por conter apenas treze Dimensões e seis Medidas, mas na proporção que o cubo aumenta sua complexidade seu processamento se torna mais lento. É possível a visualização dos dados durante o processamento do cubo. No assistente de criação do cubo OLAP, a estrutura OLAP escolhida deverá ser a MOLAP. Pois esta arquitetura permite que os dados sejam armazenados de forma multidimensional para poderem ser vistos de uma maneira multidimensional. O assistente também permite a seleção de algumas opções referentes a agregações, aonde podem ser ajustados parâmetros para um melhor desempenho, e apresenta as opções de processar o cubo ou apenas salvá-lo sem o processamento. Após processado o cubo, o procedimento estará finalizado. 5. Resultados De posse dos dados referentes a vendas de veículos novos da concessionária é iniciada a fase na qual os dados devem fornecer informações para os tomadores de decisão, para tal deve ser utilizada uma ferramenta que disponibilize relatórios para análises. No mercado podemos encontrar centenas de ferramentas capazes de extrair dados de sistemas de BI, as quais geralmente tem um preço elevado. Neste caso foi utilizado o Excel que, apesar de não ter a complexidade e a abrangência das demais ferramentas, é capaz de gerar consultas e relatórios dinâmicos. Em um novo arquivo do editor de planilhas Excel, é necessário criar uma nova fonte de dados, onde são configuradas as informações referentes a base de dados e ao servidor, para importar o cubo de dados. Após importado, a tabela dinâmica que conterá os dados otimizados que irão gerar as informações para a tomada de decisão poderá ser criada. Na figura 4 podemos visualizar uma

10 planilha do Excel em branco com alguns campos destacados, onde serão arrastados com o mouse os atributos necessários para os diferentes tipos de visualização dos dados. É importante ressaltar que os dados arrastados podem a qualquer momento voltar a posição original ou trocar de posição na planilha, esta flexibilidade torna importante a utilização deste método. Inicialmente os dados se encontram na janela flutuante com o nome Lista de campos da tabela dinâmica. Figura 4 Planilha Dinâmica aguardando os dados A grande diferença entre um relatório oriundo de um cubo OLAP e de um sistema de gestão ERP é a possibilidade de fazer inúmeras trocas nas posições dos campos dos relatórios de um cubo OLAP e com isso ter inúmeras visões do mesmo dado. Um exemplo desta flexibilidade pode ser visto na Figura 5, onde podemos ver os vendedores que venderam determinado modelo de veículo e com isso avaliar quais modelos determinado vendedor tem mais facilidade ou dificuldade de vender. Figura 5 Modelos vendidos Para visualizarmos os dados da venda como valor de venda, quanto foi pago a vista, a prazo, financiado, quantidade de usados e valor do usado, devemos colocar as Medidas do cubo OLAP no campo Solte itens de dados aqui, nesse campo apenas Medidas do cubo podem ser colocadas, não sendo habilitado pelo próprio Excel a possibilidade de colocar Dimensões do cubo. Na figura 6 foram inseridos os valores de venda, que é o valor total

11 pelo qual o veículo foi vendido, valor a vista, valor financiado, valor a prazo e valor de usado. O valor financiado foi separado do valor a prazo para permitir que se verifique qual vendedor financia mais veículos, atingindo assim metas impostas pela empresa. Figura 6 Valores da venda por vendedor e família Com apenas um movimento do mouse podem ser feitos vários tipos de consultas. Dando um duplo clique nos campos que possuem hierarquia e que são dimensões do cubo podemos fazer drill down na tabela, chegando no último nível de hierarquia e tambem dando um duplo clique no campo, fazemos o roll up que nada mais é que retornar a um nível mais alto da hierarquia. Um exemplo de drill down feito no campo família pode ser visto na figura 7, como mencionado anteriormente podemos observar os mesmos dados fazendo uma troca nos campos, obtendo assim informações de maneiras variadas conforme a necessidade do usuário. Figura 7 Exemplo de drill down 6. Conclusões O uso de um data warehouse para processamento de dados está associado a consideráveis benefícios de custo, economia de tempo e aumento de produtividade. As informações podem ser acessadas e analisadas facilmente sem perda de tempo com manipulação e processamento de planilhas eletrônicas, tabelas e gráficos. As decisões podem ser tomadas mais rapidamente e com a certeza de que os dados são atuais e precisos.

12 As tendências podem ser analisadas e previstas com a disponibilidade de dados históricos. E o data warehouse garante que todos estejam usando os mesmos dados no mesmo nível de extração, o que elimina resultados analíticos conflitantes. A utilização de ferramentas free como o Firebird, o Java ou ferramentas já utilizadas pela empresa, como é o caso do editor de planilhas Excel o qual trata-se de uma ferramenta utilizada pela maioria dos usuários para outros fins, torna a implementação do DM viável, sendo uma solução rápida, barata e de fácil manipulação. No entanto, algumas ferramentas free apresentam certas limitações, como é o caso do Firebird que apresentou certa instabilidade quando executado pelo sistema operacional Windows, portanto, optou-se por utilizar um servidor Linux a fim de tornar a utilização do mesmo mais confiável. Logo, notamos que um projeto de DM para a concessionária atingiu os objetivos desejados, pois as informações relevantes para os gestores foram fornecidas a baixo custo, tendo em vista que até mesmo o servidor não precisa de licença. O único custo ficaria a cargo da ferramenta OLAP a qual teria seu valor revertido à curto prazo, levando em consideração os benefícios dos relatórios gerados. A flexibilidade, simplicidade e agilidade na criação das planilhas e na análise dos dados possibilita à empresa obter informações que a auxiliam em suas vendas analisando as vendas realizadas pelas filiais, pelos vendedores e levantando informações sobre os veículos envolvidos nas vendas, tudo de forma rápida e confiável. E ainda futuramente a implementação de um data mining (mineração de dados), utilizando os dados armazenados no DM, poderia possibilitar aos responsáveis pela área de marketing análises de clientes e pesquisas de mercado. 7. Referências BEVILACQUA, J. F.; BITU, Y. A. Business Intelligence (BI) e a abordagem de Gestão Balanced Scorecard (BSC) na Organização. 2003, 54 f. Monografia (Pós- Graduação de Lato Sensu em Informática na Especialidade de MBA em Gestão de Sistemas de Informação). Universidade Católica de Brasília, CANTU, C. H. Firebird Essencial. Rio de Janeiro: Ciência Moderna Ltda, CRAMER, R. Estudo Analítico de Ferramentas Open Source para Ambientes OLAP. 2006, 67 f. Monografia (Especialização em Gerenciamento em Banco de Dados) Universidade do Extremo Sul Catarinense UNESC, Criciúma, COREY, M. et al. Oracle 8i Data Warehouse. Rio de Janeiro: Campus, INMON, W. H. Como Construir o Data Warehouse. Rio de Janeiro: Campus, MACHADO, F. N. R. Tecnologia e Projeto de Data Warehouse. 2ª edição. São Paulo: Érica, SINGH, H. S. Data Warehouse Conceitos, Tecnologias, Implementação e Gerenciamento. Tradução Monica Rosemberg. São Paulo: Makron Books, SOUZA, E. S. de; NEIVERTH, J. Estudo de caso sobre Business Inteligence. 2007, 70 f. Dissertação (Graduação em Bacharelado em Informática) Universidade Estadual de Ponta Grossa, Ponta Grossa, 2007.