FACULDADE DE BALSAS CURSO DE SISTEMAS DE INFORMAÇÃO

Transcrição

1 FACULDADE DE BALSAS CURSO DE SISTEMAS DE INFORMAÇÃO CRIAÇÃO DE UM AMBIENTE DE EXPLORAÇÃO OLAP PARA ANALISAR DADOS DAS VENDAS DO GRUPO DE POSTOS DE COMBUSTÍVEIS PIONEIRO CAIRO DA SILVA BORGES BALSAS (MA) 2010

2 FACULDADE DE BALSAS CURSO DE SISTEMAS DE INFORMAÇÃO CRIAÇÃO DE UM AMBIENTE DE EXPLORAÇÃO OLAP PARA ANALISAR DADOS DAS VENDAS DO GRUPO DE POSTOS DE COMBUSTÍVEIS PIONEIRO POR: CAIRO DA SILVA BORGES Trabalho de Conclusão de Curso apresentado como exigência parcial para obtenção do título de Bacharel em Sistemas de Informação à Faculdade de Balsas, sob a orientação do Professor Junior Bandeira. BALSAS (MA) 2010

3 FACULDADE DE BALSAS CURSO DE SISTEMAS DE INFORMAÇÃO A Comissão Examinadora, abaixo assinada, aprova o Trabalho de Conclusão de Curso (TCC). CRIAÇÃO DE UM AMBIENTE DE EXPLORAÇÃO OLAP PARA ANALISAR DADOS DAS VENDAS DO GRUPO DE POSTOS DE COMBUSTÍVEIS PIONEIRO Elaborada por CAIRO DA SILVA BORGES como requisito parcial para obtenção de Bacharel em Sistemas de Informação BANCA EXAMINADORA Prof (a). Junior Bandeira Prof. Orientador Prof (a). José Sinotti Membro da Banca Examinadora Prof (a). Cassiana Fagundes Membro da Banca Examinadora

4 DEDICATÓRIO Dedico este trabalho de conclusão de curso a Deus por me ter oferecido a oportunidade de viver, evoluir a cada dia, a todos os meus familiares que me ajudaram a alcançar mais um objetivo na minha vida, aos meus pais em especial pelo apoio e carinho recebido durante esta etapa, a minha namorada que não mediu esforços para me ajudar a continuar nesta trajetória.

5 AGRADECIMENTOS Ao Profº. Junior Bandeira, meu orientador, pelo apoio, paciência, credibilidade e compreensão que me proporcionou. Ao Profº Gustavo Borges, meu co-orientador, pela ajuda prestada e atenção dedicada a este trabalho. Ao Coordenador do curso de Sistemas de Informação, Profº Marlon Possani, pela amizade e apoio dedicado durante todo o período acadêmico. Aos meus companheiros de curso. A todos que contribuíram direta e indiretamente na realização deste trabalho.

6 RESUMO Na busca de um diferencial competitivo as empresas atuam dinamicamente. Nesta busca, uma das técnicas é transformar dados armazenados com o tempo em informações que auxiliem a tomada de decisão com o objetivo de descobrir fatos e atuar com ações. Este tipo de solução é a Business Intelligence (BI), que utiliza ferramentas que possibilitam a exploração dos dados, transformando em informações visuais e de fácil entendimento para os gestores. No mercado existem inúmeras ferramentas de BI, o presente trabalho utilizou o software livre, PENTAHO na versão 3.5. Aplicou-se a solução de BI ao Grupo de Postos de Combustíveis Pioneiro na qual se constitui por empresas localizadas nas cidades de Balsas e Açailândia no Maranhão. A solução resume-se na construção de um cubo OLAP, onde o mesmo explora uma grande massa de dados precisos e rápidos, referente às vendas ocorridas entre os períodos de 2009 e Construiu-se ainda um Data Mart de vendas para armazenar e centralizar os dados históricos, além de um framework em linguagem de programação PHP que realizou a importação dos dados dos Data Warehouses para o Data Mart central. Dessa forma a solução proveu uma comparação dos dados explorados com os feriados e fatores socioeconômicos de cada uma das cidades utilizando a técnica de estatística Anova, com objetivo de agregar conhecimento para analisar fatos ocorridos nos períodos, ou ainda, usando a solução como vantagem competitiva. Palavras - chaves: Business Intelligence (BI). Postos Pioneiro. OLAP. Banco de Dados.

7 SUMÁRIO 1. INTRODUÇÃO Delimitação do tema Problemática Objetivos Geral Específico Justificativa Metodologia REFERENCIAL TEÓRICO Armazenamento de Banco de Dados Business Intelligence Fontes de dados ETL (Extraction, Transformation and Loading) Modelagens Data Warehouse e Data Marts Exploração dos dados Cubos de dados OLAP Linguagens Ferramentas OLAP PENTAHO uma ferramenta Open Source de BI A Plataforma Características Ferramentas SPSS (Statistical Package for the Social Sciences) Análise de variância (Anova)... 35

8 3. ESTUDO DE CASO A Empresa As vendas A solução Relações entre vendas com feriados e fatores socioeconômicos CONCLUSÃO REFERÊNCIAS BIBLIOGRÁFICAS... 58

9 9 1. INTRODUÇÃO Neste capítulo serão apresentados os objetivos definidos no trabalho, justificativas e metodologias utilizadas assim como a delimitação do tema proposto. 1.1 Delimitação do tema O trabalho busca apresentar a criação de um ambiente de exploração dos dados através da técnica OLAP com a montagem de um cubo para analisar os dados das vendas nos períodos de 2009 e 2010 do Grupo de Postos de Combustíveis Pioneiro, fazendo uma comparação entre os feriados e fatores socioeconômicos com as vendas neste período e exemplificando como eles podem ser utilizados na tomada de decisões. 1.2 Problemática A problemática do sistema atual está em não proporcionar ao gestor uma visão completa do andamento das vendas, podendo analisar os dados em apenas duas dimensões (tempo e vendas), o que dificulta uma tomada de decisões mais rápida e precisa, além da demora no processamento dos dados pré-existentes. 1.3 Objetivos Geral Tornar a gestão do Grupo de Postos de Combustíveis Pioneiro mais dinâmica, com base na análise de relatórios multidimensionais oriundos do Cubo OLAP Específico Fazer comparativo de vendas e lucratividade entre períodos semelhantes; Analisar se existem relações entre os feriados e fatores socioeconômicos com as vendas nos períodos de 2009 e 2010; Criar um Data Mart central para importação dos dados das vendas; Definir a estrutura do Cubo; Estudar e implementar a ferramenta PENTAHO; Proporcionar uma visão completa do andamento das vendas de todos os produtos;

10 10 Tornar a tomada de decisões mais precisa, tendo como referencial os dados extraídos do Cubo OLAP; 1.4 Justificativa Através de relatos informais fornecidos pelo gestor do Grupo de Postos de Combustíveis Pioneiro, pode-se analisar a dificuldade em realizar comparativos de vendas com a ferramenta de gestão atual, de acordo com a problemática supracitada. O sistema atual possibilita também a realização de comparações entre períodos, porém não oferece o dinamismo que o Cubo OLAP proporciona. A ferramenta proposta gera relatórios interligados enquanto que o sistema atual gera relatórios em separado, o que dificulta a visualização do conjunto de dados. Com a criação do ambiente de exploração OLAP através da montagem do Cubo, cada face pode ser analisada para posterior agrupamento dos dados das outras faces. A implantação do Cubo OLAP traz consigo a possibilidade de uma gestão facilitada, ampliando as potencialidades do empreendimento com os benefícios agregados pelo mesmo. 1.5 Metodologia O levantamento dos dados foi realizado através das informações reais de vendas, repassadas pelo gestor do Grupo de Postos de Combustíveis Pioneiro, como também pelos relatos informais do mesmo. A metodologia utilizada para o desenvolvimento deste trabalho é constituída por quatro fases: Primeira: análise quantitativa (juntamente com o gestor da empresa) para extração de informações pertinentes às vendas do grupo; Segunda: realização de estudo sobre a técnica OLAP; Terceira: Implementação da técnica do Cubo OLAP com referência aos dados extraídos na primeira fase, analisando-se especificamente os resultados obtidos com a ação.

11 11 Quarta: Utilização da técnica de Anova (análise de variância) para realizar uma comparação entre os feriados e fatores socioeconômicos com as vendas nos períodos de 2009 e O trabalho que segue, está dividido da seguinte forma: capítulo 2; todo o referencial teórico com as definições das técnicas utilizadas; no capítulo 3 o estudo de caso, com a definição da necessidade do gestor do Grupo de Postos de Combustíveis Pioneiro além da contextualização do ambiente explorado, a definição do modelo e ferramentas utilizadas bem como os resultados obtidos, finalizando com a análise entre as vendas e os feriados e fatores socioeconômicos. Por fim, no capítulo 4 as considerações finais do trabalho desenvolvido.

12 12 2. REFERENCIAL TEÓRICO Neste tópico será abordado todo o referencial teórico utilizado no trabalho, bem como as definições das técnicas e ferramentas que foram utilizadas. 2.1 Armazenamento de Banco de Dados De acordo com o livro escrito por Ferrari (2007) banco de dados pode ser definido como um local no qual é possível armazenar informações, para consultas ou utilização quando necessário. Já Ramakrishnan (2008) define Sistemas Gerenciadores de Banco de Dados (SGBD) um software projetado para auxiliar a manutenção e utilização de vastos conjuntos de dados. Com o passar do tempo os dados armazenados se tornaram grandes e volumosos sendo capaz de gerar uma lentidão em consultas e processamento, para solucionar este problema surgiu então os Sistemas de Banco de Dados Relacionais (SGBDR), cuja principal característica é gerenciar seus dados usando apenas as capacidades relacionais. Segundo Rosa (2004) hoje o grande problema dos SGBDs, tornou-se a manipulação das informações, nunca se precisou extrair informações inteligentes como agora, o principal motivo disso está em que as empresas crescem constantemente com dados e informações. 2.2 Business Intelligence Nos últimos tempos, os sistemas empresariais avançaram consideravelmente, por conseguinte, os dados também evoluíram, em função desse crescimento, a utilização do processo de Inteligência de Negócios (BI) em uma organização cresceu fortalecendo a obtenção de informações gerenciais de maneira rápida e flexível de tal forma que os gestores da empresa possam tomar decisões gerenciais. A implantação do BI em uma empresa deve-se relacionar diretamente com o gestor da empresa, definindo o objetivo geral, através de entrevistas, estabelecer os objetivos específicos em base com os dados analisados. A partir das informações coletadas, pode-se realizar uma análise das ferramentas necessárias. Para Felber (2005) BI é a utilização de uma série de ferramentas para coletar, analisar e extrair informações, que serão utilizadas no auxílio ao processo de tomada de decisões.

13 13 A figura 1 exibe todo o framework de implantação de BI em uma empresa, dando-se inicio a extração, carregamento e transformação dos dados contidos no Data Warehouse que por sua vez pode ser organizado por Data Marts. O Data Warehouse como o Data Mart serve de fonte de dados para exploração OLAP e Data Mining, com resultado final exibido em interface intuitiva os dados explorados. Figura 1: Processo de BI (Business Intelligence) Fonte: Miranda (2010) Um dos principais problemas encontrados durante o processo de extração dos dados de outras fontes é a forma de que estes dados estão modelados, dificultando todo o processo de BI, para isto o processo de Extraction, Transformation and Loading (ETL) cuida do tratamento Fontes de dados As fontes de dados são necessariamente os softwares instalados na empresa, por exemplo: (aplicativos comerciais, sistema de estoque, base de dados, etc.), dados externos (internet, documentações), planilhas eletrônicas. Toda a fonte de dados possui seu repositório de dados independente com o objetivo de realizar as atividades e armazenar seus dados.

14 ETL (Extraction, Transformation and Loading) ETL basicamente, esse processo indica que as informações devem ser extraídas das bases transacionais, transformadas para se adequar ao modelo multidimensional definido, e carregadas no Data Warehouse. Existem diversas ferramentas que visam apoiar a execução desse processo. Durante o processo a parte mais difícil se encontra na transformação, pois, indica as regras que devem ser aplicadas sobre os dados para evitar redundâncias e inconsistências garantindo uma visão única e integrada dos dados. O processo de ETL possibilita extrair os dados de diversas fontes criando uma visão única e consistente dos dados, a seguir a figura 2, ilustra o processo de ETL. Figura 2: Processo de ETL Fonte: Withee (2010, Pag. 78) O processo de ETL deve ser realizado de forma dinâmica sem deixar de lado a regra de negócio que a empresa definir, deixando os dados de todo o processo de forma simples para compreensão Modelagens O SGBD possibilita que os usuários definam os dados que serão armazenados em forma de modelo de dados, as modelagens podem ser definidas como: Modelagem Relacional: A modelagem relacional foi criada para facilitar os acessos aos dados possibilitando que os usuários utilizassem uma grande variedade de abordagens no tratamento das informações, conforme Rodriguez (2000) este modelo está baseado

15 15 no modelo matemático de relacionamento de conjuntos, a estrutura de dados é flexível tornando a visão dos dados simplificada. Seu principal conceito é a Entidade Relacionamento (ER), que descreve todo sistema e o relacionamento entre os dados em um modelo gráfico. A modelagem relacional é a mais utilizada para modelagem de dados, pela sua forma estruturada de relacionar os dados. Modelagem Orientada a Objetos: Os conceitos de orientação a objetos também pode ser representada em banco de dados assim como na programação, Rodriguez (2000) representa uma estrutura, onde os dados são tratados como objeto e através disso é possível relacionar com atributos. De acordo com Figueiredo e Soares (2005) em seu artigo define a comparação entre modelagem relacional e modelagem orientada a objetos, enquanto a modelagem estruturada relacional baseia-se em conceitos de entidades e atributos, tais como relacionamentos, normalização, chaves para evitar a redundância e inconsistência à modelagem orientada a objetos se define basicamente em conceitos, estruturas e modelos baseados no mundo real. Modelagem Multidimensional: Apresenta características de utilizar uma estrutura de dados em dimensões, através de uma tabela centralizadora (tabela fato), e de tabelas que se relacionam com a mesma, chamada de tabela dimensões, enquanto a tabela fato armazena as medidas e variáveis, as tabelas dimensões caracterizam por apresentar visões sobre as medições e formas de visualizar os dados. Através de uma estrutura multidimensional se torna mais fácil a análise dos dados de forma detalhada sendo mais efetiva para o ambiente empresarial. A implementação se torna mais complexa necessitando de uma linguagem para o modelo, como a MDX, sendo muito parecida com o SQL, porém suporta realizar consultas de n dimensões, enquanto o SQL suporta apenas duas dimensões, das vendas por tempo como mostra a figura 3.

16 16 Figura 3: Visão SQL e Multidimensional Fonte: Autor Próprio (2010) Surgiu então o conceito de cubo, pois o mesmo apresenta uma melhor visão dos dados explorados, a figura 4 mostra um modelo de cubo, o assunto será mais detalhado no item Segundo Maganha (2006), a modelagem multidimensional permite que o usuário final observe seu banco de dados em formato de cubo com n dimensões, o número de dimensões é definido pelo projetista baseado em aspectos comuns de negócio da empresa. Figura 4: Cubo de dados sob visão Multidimensional Fonte: Oracle (2010) A modelagem multidimensional é a forma mais indicada para realizar a visualização de dados estruturados em várias dimensões realizando uma exploração mais efetiva dos dados.

17 Data Warehouse e Data Marts Segundo Ramakrishnan (2008) o Data Warehouse contém dados de diferentes fontes de dados, cobrindo um longo período de tempo. Data Warehouse quer dizer (armazém de dados), os dados deste ambiente são utilizados de forma analítica para o processo de tomada de decisão dos negócios. Para visualizar e realizar as análises sobre os dados armazenados no Data Warehouse podem ser utilizadas, basicamente, duas abordagens: ferramentas OLAP e mineração de dados. Conforme Araújo (2007) a tecnologia OLAP possibilita às organizações um método de acesso, visualização, e análise de dados corporativos com alta flexibilidade e desempenho, por meio de relatórios e análises a cubos de dados. De acordo com Alves (2009) Data Mart são na verdade um subconjunto de informações existentes no Data Warehouse, cujo desenho é elaborado de tal forma a atender a um segmento ou unidade de uma organização. Como mostra na figura 5, a melhor estrutura de uma Data Warehouse é quando ele é composto por Data Marts, se não houver esta organização a complexidade de exploração e organizações dos dados serão imensas, além de gerar uma manutenção mais árdua e complexa. Data Mart é um subconjunto de uma Data Warehouse, cujo objetivo é facilitar a exploração de dados por áreas. Figura 5: Visão Data Warehouse e Data Marts Fonte: Autor Próprio (2010)

18 18 Conforme Barbieri (2001) o Data Warehouse é um banco de dados orientado por assunto, não volátil, integrado e variante ao tempo. O alto nível de complexidade para o desenvolvimento de certos Data Warehouse, faz com que seja necessário iniciar o desenvolvimento através de Data Marts departamentais, que ao final, serão integrados ao Data Warehouse Exploração dos dados A exploração de dados é a área que se dedica a busca do conhecimento através de grande quantidade de dados históricos. É notório que toda empresa necessita de conhecimento, porém é assegurado que existem passos anteriores como a obtenção de dados e consolidação destes em informação. Segundo Bispo (1998) as decisões são tomadas baseando-se em comparações e em tendências; é necessário realizar-se análises em diversas perspectivas (dimensões) do negócio com o passar do tempo. O Data Warehouse é a fonte para a exploração dos dados, Data Mining e OLAP são as técnicas mais utilizadas. Enquanto as técnicas de OLAP objetivam trabalhar os dados existentes, buscando consolidações em vários níveis, trabalhando fatos em dimensões variadas, a técnica de Data Mining busca algo mais que a interpretação de dados existentes. Visa fundamentalmente realizar inferências, tentando como que adivinhar possíveis fatos e correlações não explicitadas nas montanhas de dados de uma Data Warehouse / Data Marts (BARBIERI, Pag. 424). Com a exploração dos dados pode-se utilizar as técnicas de Data Mining e OLAP, a fim de proporcionar uma melhor análise dos dados Data Mining (Mineração de dados) Segundo Bispo (1998), Mineração de dados (Data Mining) faz uso de técnicas de inteligência artificial, lógica fuzzy, redes neurais e outras, que buscam nos históricos, de uma empresa, padrões e tendências nos dados. Com o uso de ferramentas de mineração é possível efetuar analises em grandes massas de dados e como resultado descobrir relacionamentos, padrões nas vendas gerando condições para a empresa realizar uma boa tomada de decisão.

19 19 A tecnologia utilizada no Data Mining procura em grandes quantidades de dados armazenados extrair padrões e relacionamentos que podem ser fundamentais para os negócios da empresa. Para exemplificar, pode-se descobrir que clientes estão comprando determinado produto, porque está comprando, a faixa etária dos clientes, qual horário que mais vende o local de venda de determinado produto, entre outros, enfim, dados que antes eram obscuros aos olhos de um analista, com o Data Mining são visíveis OLAP (Online Analytical Processing) OLAP é uma ferramenta de Business Intelligence utilizada para apoiar as empresas na análise de suas informações, visando obter novos conhecimentos que são empregados na tomada de decisão. Segundo Fonseca (2007) OLAP é parte da tecnologia de Data Warehouse que habilita usuários a explorar interativamente. Bispo (1998) caracteriza a visão multidimensional dos dados é um conceito que pode parecer algo completamente abstrato; porém, é mais natural, mais fácil e intuitiva, permitindo a visão dos negócios da empresa em diferentes perspectivas e, assim, transformando os usuários em exploradores de informações. O termo OLAP refere-se com objetivo final de transformar dados em informações capazes de suportar as decisões gerenciais de forma amigável e flexível ao usuário e em tempo hábil. OLAP trouxe uma grande capacidade de efetuar cálculos complexos como previsões, percentuais de crescimento e médias diversas considerando-se a variável tempo. A tecnologia OLAP possibilita às organizações um método de acesso, visualização, e análise de dados corporativos com alta flexibilidade e desempenho Araújo (2007), por meio de relatórios e análises a cubos de dados. Um cubo de dados é uma representação intuitiva do fato a ser analisado. Partindo dos primórdios da informática, quando um sistema que gerava relatórios era a principal fonte de dados residentes na empresa, toda vez que uma análise necessitasse ser feita, eram produzidos novos relatórios. Estes relatórios

20 20 eram produzidos pela área de informática, precisavam de muito tempo para ficar prontos e também, apresentavam os seguintes problemas: estáticos e com acúmulo de diferentes tipos de relatórios num sistema gerava um problema de manutenção. Os sistemas OLAP possibilitam efetuar diferentes tipos de consultas, eles efetuam a exploração dos dados no Data Warehouse. Neste tipo de análise denominada multidimensional os dados são representados como dimensões em vez de tabelas. O OLAP é uma solução de ambiente, integração e modelagem de dados. A maioria dos dados de uma aplicação OLAP, é originária de outros sistemas e fontes de dados. Para formular a topologia e o projeto de uma solução OLAP multidimensional as seguintes perguntas devem ser feitas: Quando?, O quê?, Onde? e Quem?. Essas perguntas formam a base de todos os campos multidimensionais. A obtenção dos dados originários das respostas são destinados ao Data Warehouse e, possivelmente para um ou vários Data Marts. As ferramentas OLAP são conhecidas pela sua flexibilidade, tem como principal características a visão multidimensional dos dados, sendo capaz de mostrar os dados de uma empresa através de várias perspectivas, ou seja, onde antes havia uma consulta simples em uma tabela relacional, agora se pode ter em mãos uma consulta onde várias tabelas relacionadas ou não podem ser vistas, manipuladas, comparadas e exploradas, a fim de identificar tendências e conduzir os negócios com precisão milimétrica nas decisões. Outra característica do OLAP, que o diferencia da mineração, é o fato de que a relação entre os dados não é apresentada diretamente, mas sim fornecendo uma interface intuitiva para consultas do usuário, onde o mesmo interage com as dimensões, faz consultas, verifica informações em profundidade e compara as informações Cubos de dados OLAP O conceito de cubo foi associado devido à semelhança entre as técnicas de modelagem e a apresentação visual de um cubo. A diferença entre o cubo de 6 lados para o cubo OLAP, é que o segundo não apresenta limite de dimensões

21 21 (lados) e medidas (tabela fato), sendo assim o primeiro serve apenas para conceito de multidimensão. O cubo possui dimensões e medidas associadas, e os dados são armazenados na forma de células. Um cubo de dados é um tipo de matriz multidimensional que permite que os usuários explorem a analisem uma coleção de dados de muitas perspectivas diferentes, geralmente considerando três fatores (dimensões) de cada vez (KAY, 2010). A Figura 6 apresenta os dados em forma de cubo de 6 lados, com três dimensões produto, local e tempo, ou seja, a quantidade vendida, pode ser visualizada quanto pela data, como por produto vendido e local de venda, neste caso podemos realizar consultas com n dimensões, usando a linguagem MDX, que será discutida nos próximos tópicos, e não se limitando a consultas simples como no uso da linguagem SQL. Figura 6: Cubo de dados Disponível in: Oracle (2010). Quanto à forma de visualização dos dados no cubo, tem que ser explorado para que todos os lados sejam visíveis, visualizando assim as vendas de forma dinâmica e intuitiva, a figura 7 exibe a explosão do cubo de dados já a figura 8 mostra a sua forma de organização.

22 22 Figura 7: Explosão do Cubo Fonte: Autor próprio (2010) Figura 8: Organização da medida e dimensões. Fonte: Autor próprio (2010) O Data Warehouse irá servir como base para construção dos cubos multidimensionais. As consultas OLAP são consultas de agregação. Os analistas querem respostas rápidas para estas consultas sobre conjunto de dados muito grande é natural considerar a computação prévia de visões (RAMAKRISHNAN, Pag. 706). Um cubo de dados é constituído por tabelas fatos e dimensões. As tabelas de fatos representam o tema central do cubo e contêm atributos que são medidas numéricas, pelas quais se quer analisar as relações existentes entre as dimensões Tabela fato No modelo multidimensional um fato é representado por uma tabela fato. Uma tabela fato é constituída de valores quantitativos e numéricos que representam um assunto especifico no Data Warehouse.

23 23 Um conceito de tabela fato é citado conforme Imhoff e Geiger (2003) uma tabela fato é a tabela dentro de um modelo dimensional que contém as medidas e métricas de interesse. Segundo Inmon (1997) a tabela fato é altamente indexada, ou seja, possui muitos índices. Em alguns casos todas as colunas da tabela fato são indexadas. O resultado que se obtém indexando todos os dados é uma tabela fato muito acessível. Como regra, a tabela fato não é atualizada. Cada dado carregado é armazenado em um novo registro. fato. Conforme mostra a figura 9 a tabela vendas é caracterizada como a tabela Figura 9: Tabelas dimensões e Tabela fato Fonte: Devmedia (2010) Tabela dimensão Uma dimensão se constitui de elementos que permitem caracterizar um determinado fato, a figura 10 representa as dimensões mês, cliente, produto e região. Assim formando as dimensões da tabela fato vendas. Figura 10: Tabela Dimensões Fonte: Devmedia (2010)

24 24 Conforme Martins (2007), as informações são do tipo, tempo, geografia, produto, cliente entre outros. Sendo assim compostas por atributos e uma única chave primária, que interliga a tabela dimensão com a tabela fatos. Uma tabela dimensão é um conjunto de tabelas de referências que provêem a base para restringir a agrupar consultas para informação em uma tabela fato dentro de um modelo dimensional. A chave da tabela dimensão tipicamente é uma parte da chave concatenada da tabela fato, e tabela dimensão contém informação descritiva e hierárquica (IMHOFF, GALEMMO E GEIGER, 2003, p.400). Um modelo dimensional deve responder a algumas perguntas sobre o fato, onde aconteceu, quando aconteceu, o que aconteceu, e com quem aconteceu, a Figura 11 ilustra este modelo. Figura 11: Representando as dimensões do fato. Fonte: Machado (2004, pág. 115). Na visão de usuário, a tabela dimensão pode ser descrita como uma visão ou perspectiva do modelo analisado, pode-se dizer então que seria a pergunta de um determinado modelo de negócio, onde a resposta seria apresentada na tabela fato Técnicas de Modelagem Segundo Felber (2005), existem várias técnicas de modelagem multidimensional e relacional, dentre elas, as mais utilizadas são: Star Schema (esquema estrela) e Snowflake (esquema flocos de neve).

25 25 Star Schema (esquema estrela) A tabela de fatos conecta-se as demais por múltiplas junções, e as tabelas de dimensões se conectam com a tabela de fatos com apenas uma junção, como mostra a Figura 12. Figura 12: Representa a disposição das dimensões no modelo estrela Fonte: Machado (2004, pág. 93) De acordo com Colaço (2004) como o próprio nome já diz, ele tem semelhança com uma estrela, sendo que é composta por uma grande entidade, ou melhor, uma tabela central dominante, chamada de tabela fato. No conjunto de entidades, ou tabelas menores, que são arranjadas ao redor da tabela de fato, são denominadas tabelas de dimensão. Snowflake (esquema de floco de neve) O modelo Floco reduz o espaço de armazenamento dos dados dimensionais, mas acrescenta várias tabelas ao modelo, conforme mostra a figura 13. O modelo floco de neve é o resultado da decomposição de uma ou mais dimensões, que possui hierarquia entre seus membros, pode se definir relacionamentos muitos para um entre os membros de uma dimensão, formando, por meio desses relacionamentos entre entidades de dimensão, uma hierarquia é o resultado da aplicação da terceira forma normal sobre as entidades de dimensão (MACHADO, 2000, p. 74).

26 26 Figura 13: Representa a disposição no modelo Flocos de Neve Fonte: Machado (2004, pág. 94) O Modelo deixa mais complexa a exploração dos dados, tornando mais difícil a navegação pelos softwares que utilizarão o banco de dados Operações em cubo OLAP As características presentes nas ferramentas OLAP é a forma de operar os dados, como por exemplo, as operações de tipo, segundo Araújo (2007): Slice and Dice É uma das principais características de uma ferramenta OLAP. Modifica a posição de uma informação dentro do cubo através da troca de linhas e colunas. Drill Down Aumenta o nível de detalhe da informação consultada. Drill Up Diminui o nível de detalhe da informação. Drill Across Passa de um nível para outro na dimensão pulando algum nível intermediário.

27 27 Drill Through Passa de uma informação contida numa dimensão para outra. Outras operações que podem ser encontradas no OLAP, mas com objetivos mais específicos são Drill Out, Drill Within, Sort, Ranking, Pivoting, Paging, Filtering, Tiling, Alerts, Break Linguagens Nos cubos OLAP, destaca-se as linguagens, MDX Para realizar consultas multidimensionais, e para padronização dos códigos de busca o XML XML (Extensible Markup Language) O Extensible Markup Language (XML) surgiu com o principal intuito de padronização do código e segundo Benedito (2010), suas principais características são buscas mais eficientes, desenvolvimento de aplicações flexíveis para web, integração de dados de fontes diferentes, computação e manipulações locais, múltiplas formas de visualizar os dados, atualização granulares dos documentos, fácil distribuição da WEB, escalabilidade e flexibilidade, separação do conteúdo da formatação, possibilidade de criação de tags sem limitação, interligação de banco de dados distintos, legibilidade do código MDX Extensible Markup Language (XML) é linguagem de marcação de dados (meta-markup language) que provê um formato para descrever dados estruturados. Isso facilita declarações mais precisas do conteúdo e resultados mais significativos de busca através de múltiplas plataformas. O XML também vai permitir o surgimento de uma nova geração de aplicações de manipulação e visualização de dados via internet (BENEDITO, 2010). A Linguagem MDX é semelhante à linguagem SQL, porém possibilita consultas multidimensionais, diferente da SQL onde é possível efetuar consultas com no máximo duas dimensões. Linguagem de consulta à base de dados multidimensionais criada pela Microsoft em 1998, semelhante à linguagem SQL, parte de um padrão industrial, o OLE DB for OLAP. Permite a especificação de até 128 eixos de consultas, sendo, porém incomum a utilização de mais de 3 eixos (TENORIO, 2010). A linguagem MDX se torna uma fundamental característica das consultas em cubos OLAP, pela sua dinâmica multidimensional.