SIMPLIFICANDO O BUSINESS INTELLIGENCE. Andre de Freitas Tasca. Bacharel em Analise de Sistemas pela Unisinos. Diretor da empresa SoftSystem IT

Tamanho: px
Começar a partir da página:

Download "SIMPLIFICANDO O BUSINESS INTELLIGENCE. Andre de Freitas Tasca. Bacharel em Analise de Sistemas pela Unisinos. Diretor da empresa SoftSystem IT"

Transcrição

1 SIMPLIFICANDO O BUSINESS INTELLIGENCE Andre de Freitas Tasca Bacharel em Analise de Sistemas pela Unisinos Diretor da empresa SoftSystem IT Porto Alegre, 2013 Resumo Todos os dias são tomadas decisões para a condução dos mais diversos tipos de negócios. Os gestores das empresas são pressionados pela alta competitividade do mercado a oferecerem aos seus clientes produtos e serviços com qualidade e preços atrativos. A análise de dados de sistemas transacionais vem se tornando cada vez mais necessária para o entendimento das necessidades dos clientes direcionando produtos e serviços adequados a cada perfil. Essa análise tende a transformar dados em informação e informação em conhecimento para que as decisões sejam tomadas da forma mais acertada possível. O presente artigo tem como objetivo apresentar conceitos relacionados ao tema Business Intelligence e os itens importantes de sua arquitetura, trazendo a visão dos principais teóricos sobre os assuntos estudados e também uma comparação entre a abordagem tradicional de Business Intelligence versus uma nova abordagem chamada de associativa. Palavras-chave: Business Intelligence ETL Data Mart - Arquitetura 1. INTRODUÇÃO Ao contrário do que se possa imaginar, o conceito de Business Intelligence não é recente. Fenícios, persas, egípcios e outros povos do Oriente utilizavam esse princípio há milhares de anos, quando cruzavam informações obtidas junto à natureza em benefício próprio. Observar e analisar o comportamento das marés, os períodos de seca e de chuvas, a posição dos astros, entre outras, eram formas de obter informações que eram utilizadas para tomar as decisões que permitissem a melhoria de vida de suas respectivas comunidades (LOPES, 2006). Para que as empresas possam conhecer mais e assim administrar melhor seu negócio, elas estão dando maior importância às informações estratégicas que podem ser extraídas da base de dados gerada por um ERP ou Sistemas Integrados de Gestão. Significa dizer que toda a informação poderá ser tratada como objeto a ser arquivado, posteriormente consultado e analisado, permitindo que os executivos visualizem comportamentos, tendências e desvios de forma rápida, segura e confiável, possibilitando uma gestão aprimorada e eficiente. Afirma Reinhard (1996) que os dirigentes passaram a utilizar recursos de informática como ferramentas para tomada de decisões estratégicas, devido a muitas mudanças no ambiente externo e interno das empresas. A alta

2 competitividade do mercado exige planejamento, coordenação e controle da empresa, além do acompanhamento do mercado em relação aos concorrentes, aos aspectos econômicos, legais, políticos e culturais em âmbito global. Segundo Porter (1986), a leitura dos sinais do mercado exige técnicas. É preciso determinar uma metodologia para a decisão sobre quais são os dados particularmente cruciais e sobre o modo como eles podem ser analisados. A análise que pode levar a uma compreensão mais profunda de um determinado segmento e de seus concorrentes exige um grande volume de dados, alguns dos quais sutis e de difícil obtenção. A compilação dos dados para uma análise sofisticada da concorrência exige mais do que um trabalho duro: exige um mecanismo organizado, algum tipo de sistema de inteligência. Na obra Estratégia Competitiva, o autor salienta que, qualquer que seja o mecanismo escolhido para coletar dados de inteligência sobre o concorrente, existem benefícios com um mecanismo que seja formal e envolva documentação. Desde a década de 80, o autor se preocupava em desenvolver uma metodologia para a análise da concorrência, tornando um dos temas principais da inteligência competitiva. A metodologia proposta por Porter envolve quatro momentos principais: 1) análise das necessidades, definição dos alvos; 2) coleta de informações após definição das fontes úteis; 3) análise e avaliação das informações com os especialistas da área; 4) difusão das informações aos decisores para a ação. Salientam-se algumas operações preliminares importantes, como a análise da posição da empresa no mercado e a determinação das necessidades de informações críticas da empresa para guiar a coleta, o tratamento e a difusão de informações. As informações críticas seriam aquelas áreas ou temas a vigiar de modo prioritário (PORTER, 1986). Decisões são tomadas a todo instante nas organizações. Existem instituições que utilizam sistemas de informações somente a nível operacional, não direcionando para o topo da hierarquia os dados colhidos pela própria organização. Para esses gestores, a maioria das decisões é tomada com base em conhecimento empírico adquirido com o passar dos tempos. Para Davenport e Marchand (2004) a aplicação e o uso do conhecimento envolvem diversas dimensões: uma delas é cultural. A empresa recompensa decisões tomadas com base em conhecimentos compartilhados ou fica satisfeita com as decisões e ações tomadas com base na intuição e adivinhação das pessoas com experiência e competência. O BI é uma metodologia que permite a extração e estruturação de informações dos sistemas operacionais para o processo decisório. Este artigo visa simplificar os conceitos de Business Intelligence. 2. BUSINESS INTELLIGENCE Para competir no mercado global de hoje, as empresas precisam deter mais conhecimento do que antigamente e, ainda, para obter sucesso, elas precisam saber mais sobre seus clientes, mercados, tecnologias e processos, e necessitam ter essas informações antes que seus concorrentes (HEINRICHS e LIM, 2003).

3 A essência do Business Intelligence supre as necessidades de quem está à procura de vantagem competitiva por meio da administração de dados e pode auxiliá-lo na construção de melhores relações comerciais e de sucesso (SERRA, 2002). Segundo Barbieri (2001), o conceito de BI começa a ganhar grande espessura no cenário de negócios. Ele pode ser entendido como um conjunto de conceitos que envolve Inteligência Competitiva (CI), Gerência de Conhecimentos (KMS), IBI (Internet Business Intelligence), pesquisa e análise de mercados, etc., tudo relativo à nova era da Economia da Informação, dedicada à captura dos dados, informações, e conhecimentos que permitam às empresas competirem com maior eficiência. O Autor afirma ainda que de forma mais ampla, pode ser entendido como a utilização de variadas fontes de informação para se definir estratégias de competitividade nos negócios da empresa. 2.1 Diferença entre Dados Operacionais e Informacionais Para diferenciar melhor os dados de natureza informacional e operacional, e estabelecer fontes importantes para o conceito de Business Intelligence, a Tabela 1 mostra algumas dessas diferenças: Tabela 1 - Diferença entre Dados Operacionais e Informacionais. Características Dados Operacionais Dados Informacionais Conteúdo Valores Correntes Valores Sumarizados, Calculados, Integrados de Várias Fontes Organização dos Dados Por Aplicação/sistema de informação Por Assuntos/Negócios Natureza dos Dados Formato das Estruturas Atualização dos Dados Uso Dinâmica Relacional, próprio para computação transacional Atualização campo a campo Altamente estruturado, processamento repetitivo Estática até a atualização dos dados Dimensional, simplificado, próprio para atividades analíticas Acesso, sem update Desestruturado, com processamento analítico/heurístico Tempo de Resposta Fonte: BARBIERI, 2001, p.47. Otimizado para 2 a 3 seg. Análises mais complexas, com tempos de respostas maiores

4 3. DATA WAREHOUSE E DATA MARTS Inmon (1996), afirma que o Data Warehouse é uma coleção de dados não voláteis, crescente no tempo, integrada e orientada ao negócio para dar suporte às informações gerenciais. É a fonte de dados para consulta da organização (KIMBALL, 1998). Ele possui as seguintes características (BERSON e SMITH, 1997): É um banco de dados projetado para análise, que usa dados de várias aplicações; É projetado para um pequeno número de usuários com iterações longas; É usado basicamente para leitura; É atualizado periodicamente, principalmente para adição de dados; Contêm dados atualizados e históricos para fornecer informações do fluxo do negócio no tempo; É formado por poucas e grandes tabelas; Destina-se à realização de consultas que resultam em um conjunto grande de dados e geralmente devolvem leitura de tabelas inteiras e vários relacionamentos. O Data Warehouse deve ter os seguintes objetivos (KIMBALL, 1998): Tornar a informação mais acessível; Tornar a informação mais consistente, ou seja, informação de qualidade em toda a organização. Os termos usados em uma parte da empresa devem ter o mesmo significado em toda empresa; Ser uma fonte de informação adaptável e maleável. Deve ser projetado para mudança constante sem que todo sistema tenha que ser alterado; Ser uma fonte segura para proteger a informação da empresa; Deve ser a base para a tomada de decisão. O Data Mart possui definições diferentes junto aos autores, especialmente Kimbal e Inmon (1996). Segundo Inmon (1996), o Data Mart é uma coleção de dados relacionados à área da empresa, organizados para dar suporte à decisão e baseados nas necessidades de um determinado departamento ou processo, podendo ser de uma determinada área da empresa. Ele afirma que um conjunto de Data Marts dificilmente pode ser integrado, e mesmo que for não resultará em um Data Warehouse (INMON,1998). Para Inmon (1998), o Data Mart é derivado do Data Warehouse. Sob a ótica de Kimball (1998), o Data Mart é como um subconjunto lógico do Data Warehouse, e o Data Warehouse é a união de todos os Data Marts. Essa diferença de opiniões se reflete em diferentes formas de implantação. Kimball (1998) propõe a implantação de um Data Mart por vez desde que seja feito uma prévia modelagem da organização. Já Inmon (1996) propõe que o sistema comece pequeno e vá evoluindo progressivamente em espaços curtos de tempo. Ambos concordam que a implantação completa é muito complexa para ser feita de uma vez, e que a sustentação do projeto

5 5 depende da entrega rápida de uma solução parcial que agrade os usuários e justifique o investimento. 4. ETL EXTRAÇÃO, TRANSFORMAÇÃO E CARGA DE DADOS 4.1 Extração de Dados A extração dos dados se faz a partir das mais diversas fontes de dados, que podem ter os mais variados formatos, em diferentes plataformas. Para isso, é necessário uma fonte de dados temporária com padronização de ambiente de desenvolvimento que permita a recepção dos dados das diferentes bases, sendo que as configurações das tecnologias de hardware, sistema operacional e banco de dados sejam o primeiro padrão a ser aplicado ao DW em construção (LELES, 2004). KIM (1995), prevê que para possibilitar o acesso a dados de diversas fontes heterogêneas, é previsto que a integração seja feita em um novo banco de dados. Essa consolidação geralmente é feita através de Interfaces padrão do tipo ODBC (Open Data Base Conectivity) padrão para acesso a BDs do SQL Access Group Consortium adotado pela Microsoft, ou outras. Ainda segundo o autor, existem outros tipos de abordagens, os quais propõem a integração dos dados e das bases de dados apenas durante o processamento das consultas, somente selecionando resultados vindos destas consultas, sem materialização, isto é, sem a criação de réplicas dos repositórios locais integrados. Conforme Silberschatz (1999), os dados de um SGDB podem ser extraídos para um arquivo por meio de ferramentas de aplicação utilizando a linguagem SQL, pois ela utiliza uma combinação de construtores em álgebra e cálculo relacional para a manipulação de dados em BD s, possuindo recursos para: consulta, modificação, definição da estrutura de dados e especificação de restrições de segurança. Entretanto, se a formatação dos arquivos não é conhecida é necessário geração de relatório ou criação de arquivo para descarregar os dados do sistema de produção. 4.2 Transformação dos Dados Essa etapa consiste em retirar redundâncias e inconsistências advindas dos vários formatos que podem existir nas fontes de dados. As rotinas de limpeza e transformações de dados são necessárias e as suas características devem ser armazenadas e documentadas como metadados 1 (LELES, 2004). Para melhor entender esse processo, um exemplo simples de incompatibilidade de dados é a codificação para gênero feminino e masculino. Em uma base de dados, a entrada deste dado pode estar codificada em m/f e em outra base de dados em 0/1, para que fique transparente para o usuário, é 1 Qualquer dado mantido para sustentar as operações ou a utilização de um data warehouse; funciona como uma enciclopédia para o data warehouse.

6 6 necessária a padronização da entrada deste dado de forma coerente como, por exemplo, especificando a codificação como M/F (LELES, 2004). 4.3 Carga de Dados Neste processo, os dados padronizados na etapa de transformação são transferidos para o DW, e serão utilizados para a montagem das análises que serão disponibilizadas aos gestores. Existem três desafios para a carga dos dados do ambiente operacional para DW (INMON, 1997): I) Frequência de carregamento dos dados históricos; II) Carga dos dados do valor corrente do ambiente operacional; III) Carga dos dados depois de ter ocorrido atualizações dos dados no ambiente transacional. No item I, o autor afirma que o desafio é menor, pois a carga não é feita com muita frequência. O item II, também não representa muito problema, pois essa carga é feita somente uma vez. O item III, é considerado pelo autor o mais difícil, devido a dificuldade de rastreabilidade das alterações. 5. OLAP A análise multidimensional para OLAP surgiu após a publicação de A Programming Language (Ken Iverson,1962). Com base nessas ideias a IBM desenvolveu e implementou a primeira linguagem com análise multidimensional, no final da década de 60, chamada de APL. Definida matematicamente, baseada em símbolos gregos, utilizadas por usuários finais e grande consumidora de recursos computacionais, foi amplamente utilizada nas décadas de 80 e 90 em aplicações de negócio. Acompanhando a evolução dos sistemas, na década de 90, introduziu-se uma nova classe de ferramentas no mercado, que foi chamada de OLAP. As ferramentas de OLAP possuem a maioria dos conceitos introduzidos pela linguagem APL, porém, com maior integração na utilização dos dados fontes. Existe um grupo de empresas que desenvolveu e ainda desenvolve ferramentas OLAP e arquiteturas nela baseada como a IBM, a Computer Associates, MicroSoft, MicroStrategy, Cognos, IRI, Oracle, entre outras (ANZANELLO, 2002). Segundo Anzanello (2002), a aplicação OLAP oferece visualizações das informações de negócio a partir de muitas perspectivas diferentes por manter uma estrutura adequada e eficiente. Os dados são armazenados na forma dimensional, e as dimensões podem ser hierárquicas. Sua finalidade é apoiar os executivos em suas decisões estratégicas. Thomsen (1997) demonstra que utilizando somente consultas SQL e planilhas eletrônicas é difícil consultar e disponibilizar as informações analíticas do DW. Para suprir estas necessidades surgiram os softwares multidimensionais, também conhecidos como ferramentas OLAP. Ele define algumas funcionalidades para trabalhar com dados não estruturados como: Associação de fórmulas nas dimensões;

7 7 Exibição das dimensões do modelo em qualquer configuração tridimensional composta de linhas colunas e páginas; Habilidade de lidar com a natureza hierárquica das dimensões. O conceito de hypercubo, cubo com mais de três dimensões, é a base da abordagem das ferramentas OLAP que podem utilizar SGBD s relacionais dando a eles um sabor dimensional (ROLAP) ou usar tecnologias proprietárias de banco de dados multidimensionais (MOLAP) (KIMBALL, 1998). Barbieri (2001) nota que na modelagem dimensional as informações residem na interseção de várias dimensões. Os valores dos fatos residem na interseção das diversas dimensões que formam um ponto no hypercubo. O hypercubo pode ser fatiado (slice) isolando uma ou mais dimensões. O pivotamento (rotação) permite girar o hypercubo com a mudança do eixo de dimensões analisado. O conceito de dicing permite a criação de hypercubos menores restringindo as ocorrências de interesse em cada dimensão. Evidentemente, esses conceitos são mais facilmente demonstrados quando consideramos um cubo com três dimensões, mas na maioria das consultas aos data marts mais de três dimensões são utilizadas. 5.1 Arquiteturas Segundo Nigel Pendse (2002), conforme o método de armazenamento de dados utilizado para uma aplicação OLAP, será elaborada a arquitetura da aplicação. Os métodos de armazenamento de dados são MOLAP, ROLAP, DOLAP e HOLAP. Cada um deles tem uma função específica e deve ser utilizada quando melhor atender às necessidades de análise pela ferramenta de OLAP. Anzanello (2002), afirma que no MOLAP (Multidimensional On-Line Analytical Processing) os dados são armazenados de forma multidimensional, sua implementação varia de acordo com a sua ferramenta de OLAP, mas é freqüentemente implementado em um banco de dados relacional, porém não na terceira forma normal. Além disto, o acesso aos dados ocorre diretamente no banco de dados do servidor multidimensional. Os gerenciadores de banco de dados têm um limite prático quanto ao tamanho físico de dados que eles podem manipular. As restrições de armazenamento e desempenho limitarão o tamanho do banco de dados, não esquecendo o limite das dimensões que também restringem sua manipulação. A complexidade que existe no processo de carga de um banco de dados multidimensional, pode acarretar a demora no processo. O processo de carga é complexo devido à série de cálculos que devem ser realizados para agregar os dados às dimensões e preencher as estruturas do banco. Depois do processo concluído, ainda é realizado uma série de mecanismos para melhorar a capacidade de pesquisa. Já no ROLAP (Relational On-Line Analytical Processing) os dados são armazenados no modelo relacional como também suas consultas são processadas pelo gerenciador do banco relacional (ANZANELLO, 2002). Por outro lado, o DOLAP (Desktop On-Line Analytical Processing) é uma variação que existe para fornecer portabilidade dos dados. A vantagem que oferece esta arquitetura é a redução do tráfico na rede (ANZANELLO, 2002).

8 8 A arquitetura mais recente é a HOLAP (Hybrid On-Line Analytical Processing), na qual ocorre uma combinação entre ROLAP e MOLAP. A vantagem é que com a mistura de tecnologias pode-se extrair o que há de melhor de cada uma, a alta performance do MOLAP e a escalabilidade do ROLAP (ANZANELLO, 2002). 5.2 Ferramentas OLAP A grande maioria dos softwares oferecidos no mercado trabalha, no mínimo, sob duas abordagens: A ferramenta de desenvolvimento, que é utilizada para a montagem do modelo dimensional de negócios e a interface de iteração com o usuário, e a ferramenta de visualização e análise dos dados destinada ao usuário final. Algumas características dessas ferramentas são: Consultas ad-hoc: são consultas geradas pelos usuários finais através do cruzamento de informações que os levem a encontrar tendências, padrões e comportamentos sob os itens analisados de uma forma não vista. Segundo Inmom (2002), são consultas com acesso casual único e tratamento de dados segundo parâmetros nunca antes utilizados de forma iterativa e heurística. Slice and Dice: possibilita a alteração da perspectiva de visão. Serve para modificar a posição de uma informação, trocar linhas por colunas de maneira facilitar a compreensão dos usuários e girar o cubo sempre que houver necessidade (ANZANELLO, 2002). Drill down/up: consiste em realizar exploração em diferentes níveis de detalhes da informação. Com drill down divide-se um item de resumo em seus componentes detalhados, como por exemplo, ano, semestre, trimestre, mensal e diário. Além das principais características apresentadas é necessário que estas aplicações forneçam vários modelos de visualização em uma variedade de formatos, e não apenas em simples tabelas, sendo muitas vezes apresentados através de gráficos (ANZANELLO, 2002). Devido suas características e funcionalidades, as ferramentas constituem parte importante em uma estrutura de Business Intelligence, pois elas permitem que as informações do DW sejam exploradas de maneira eficiente. 6. MODELAGEM DIMENSIONAL A Modelagem Dimensional de dados é uma técnica de projeto que traz os dados para uma forma próxima do entendimento do usuário, onde o modelo dimensional é formado por informações que poderão vir de diversas fontes de dados. Essa técnica nasceu para modificar alguns conceitos cristalizados nos projetos tradicionais de Bancos de Dados, principalmente após a fase relacional. O produto final da Modelagem Dimensional é a produção de um modelo conceitual dimensional, formado de tabelas Fato e tabelas Dimensão (BARBIERI, 2001).

9 9 As tabelas Fato servem para armazenar medidas numéricas associadas a eventos de negócio. Uma tabela Fato contém vários fatos, correspondentes a cada uma de suas linhas. Cada fato pode armazenar uma ou mais medidas numéricas, que constituem os valores objetos da análise dimensional. Possuem como chave primária, normalmente um campo multi-chaves, formado pelas chaves-primárias das dimensões que com ela se relacionam. Normalmente armazenam muito mais linhas do que as tabelas Dimensão, e merecem cuidado especial em função do seu alto volume. Contêm dados normalmente aditivos (manipulados por soma, média, etc.) e relativamente estáticos. As tabelas Dimensão representam entidades de negócios e constituem estruturas de entrada que servem para armazenar informações como tempo, geografia, produto, cliente, etc. As tabelas Dimensão tem uma relação 1:N com a tabela Fato. Possuem múltiplas colunas de informação, algumas das quais representam a sua hierarquia. Apresentam sempre uma chave primária, que lhes confere unicidade, chave essa que participa da tabela Fato, como parte de sua chave múltipla. Devem ser entendidas como as tabelas que realizam os filtros de valores aplicados na manipulação dos fatos e por onde as consultas entram no ambiente de DW/DM. A seguir, a Figura 2 ilustra a composição da tabela Fato, onde cada linha representa um fato e as colunas chaves são herdadas das tabelas Dimensão associadas. Além das chaves, apresenta as colunas com valores das medidas definidas para o modelo (BARBIERI, 2001). Figura 1 - Exemplo de um Modelo Dimensional. Fonte: BARBIERI, 2001, p.82. O autor afirma que a estrutura dimensional modifica a ordem de distribuição de campos por entre as tabelas, permitindo uma formatação estrutural mais voltada para muitos pontos de entradas específicos (as chamadas dimensões) e menos para os dados granulares em si (os chamados Fatos). Isso significa que numa estrutura dimensional os dados estarão numa

10 10 forma quase estelar, onde várias tabelas de entrada estarão se relacionando com algumas (poucas) tabelas de informações, criando uma notação mais sintética, legível e objetiva. O modelo dimensional oferece clara e diretamente os elementos que se precisa para buscar as informações sobre fatos via dimensões de referência, diferindo da malha relacional, ou de rede. O modelo dimensional, embora mais leve do que o modelo relacional, pode se tornar mais complexo, na medida em que novas extensões forem sendo agregadas a resolução do problema. A necessidade de relacionamentos M:N entre tabelas Fato e tabelas Dimensão, bem como a resolução de estruturas recursivas nas dimensões poderão acrescentar complexidade ao modelo (BARBIERI, 2001). 6.1 Comparação entre Relacional e Dimensional As diferenças os modelos Relacional e Dimensional são apresentas na tabela 2. Tabela 2 - Comparação entre Modelo Relacional E/R e Modelo Dimensional. Modelo Dimensional Padrão de estrutura mais fácil e intuitiva Anterior ao MER, anos 60 Tabelas Fato e tabelas Dimensão Tabelas Fato são o núcleo normalizadas Tabelas Dimensão são os pontos de entrada Tabelas Dimensão opcionalmente normalizadas Modelo mais facilmente joined Leitura mais fácil do modelo por usuários não especializados Fonte: BARBIERI, 2001, p.38. Modelo Relacional E/RÉU: Modelo mais complexo Ênfase nos Bancos de Dados Relacionais, anos 70 Tabelas que representam Dados e Relacionamentos Todas as tabelas são comumente normalizadas As tabelas são indistintamente acessadas e de filtro inicial Todas as tabelas são comumente normalizadas Maior dificuldade de join pelo número maior de tabelas Maior dificuldade de leitura pelo usuário não especializado Os passos da Modelagem Dimensional são: Definição da Área de Negócio

11 11 Deve ser escolhida de acordo com as prioridades emergentes da empresa. Após a escolha, parte-se para definir aqueles que serão os processos alvos do projeto. Definição de Granularidade Define de forma combinatória os níveis dimensionais que serão usados para o armazenamento dos dados. Os fatores de definem a escolha da granularidade estão relacionados com o volume de dados a ser mantido e com o processamento necessário para produzí-los. A granularidade pode variar na dimensão temporal entre dia, mês e anos, por exemplo. Definição das Tabelas Dimensão Devem ser definidas em função da granularidade e áreas de negócio. Normalização 2 das Tabelas Dimensão. As tabelas Dimensão, diferentemente das tabelas Fato, estão mais sujeitas ao processo de desnormalização 3. Existem duas correntes diferentes com relação aos aspectos de normalização das tabelas Dimensão: Star Schema ou Esquema Estrela: Abordagem que recomenda a não normalização das tabelas Snowflake Schema ou Esquema de Flocos de Neve: Abordagem que recomenda a normalização das tabelas. A utilização do esquema estrela é extremamente recomendável, pelos aspectos de ganho de desempenho quando comparado ao esquema de flocos de neve. Isso acontece porque a redução dos comandos de junção que seriam necessários para recompor a informação desejada buscando-a em outra tabela. Relacionamento de Atributos das Tabelas Dimensão As tabelas Dimensão carregam atributos que estabelecem relacionamentos entre si. É necessário um esquema cuidadoso de modelagem para melhor distribuídos no esquema dimensional (BARBIERI, 2001). 6.2 MODELAGEM DIMENSIONAL ASSOCIATIVA A modelagem dimensional associativa funciona de forma diferente dos demais modelos de arquiteturas de BI, ela constrói e mantém um banco de dados não relacional associado através de chaves compactada em disco e descompactada na memória quando o banco é aberto. Os dados são armazenados na memória (RAM) e analisados conforme as necessidades, isso é feito sem qualquer apoio de leitores de disco. 2 Técnica de modelagem lógica que remove redundância de dados separando os dados em muitas entidades distintas, cada uma das quais se torna uma tabela e um SGBD relacional. 3 Aceitação de redundância em uma tabela para que ela permaneça simples e não normalizada. Esse procedimento tem por objetivo melhorar o desempenho e facilitar a utilização.

12 12 Atualmente a única tecnologia que implementa nesse formato é o QlikView. Segundo seu Tutorial (2011), a ferramenta possui as seguintes características: Armazenamento dos Dados Não é necessário montar um DW, o QlikView possui seu próprio arquivo de dados gerado a partir da carga. Possui funções embutidas para a carga (ETL) e limpeza (Data Cleansing) dos dados. Por esse motivo, reduz consideravelmente o custo de todo um projeto de ETL e modelagem do DW. Número ilimitado de dimensões Os cubos são não tem limitação de dimensão, eles são relacionados através de chaves associativas e são orientados ao negócio, portanto qualquer variável pode servir como item de análise em um objeto da interface. Por esse motivo, cada tabela do modelo dimensional é chamada de hypercubo. Possibilidade para que diversos Hypercubos "conversem" um com o outro Após serem montados os hypercubos, as informações poderão ser visualizadas através de objetos de interface (gráficos, tabelas, velocímetros, etc.) e todos esses objetos podem ser combinados em uma mesma análise, podendo todos os objetos estar se relacionando ou não. Flexibilidade A alteração ou criação de novas análises é totalmente transparente, não requerendo alterações em bases de dados ou redefinição de cubos. O tempo para a criação de novos atributos é extremamente reduzido por não precisar alterar a base de dados, qualquer campo da fonte de dados pode ser adicionado como uma dimensão instantaneamente, assim como novas medidas e indicadores podem ser criados. Amigável para o usuário A navegação é intuitiva, não requerendo praticamente nenhum treinamento mais específico na ferramenta. As possibilidades gráficas são avançadas e de fácil compreensão. Espaço em disco A base de dados do QlikView pode trabalhar com uma compactação de até 80%, isso faz com que não seja necessário muito espaço em disco para o armazenamento das informações. Mesmo com alta compactação, a performance das consultas é extremamente elevada por trabalhar com cálculos em memória RAM. Acessibilidade

13 13 O QlikView pode ser utilizado através dos principais navegadores de internet sem que seja instalado nenhum plugin. Também possui navegação nativa para dispositivos móveis sem que seja necessário nenhuma programação adicional pelos desenvolvedores. Os sistemas convencionais de pesquisa de informações normalmente requerem uma abordagem top-down, enquanto o QlikView permite iniciar com quaisquer dados, independentemente de sua localização na estrutura de dados. A recuperação de dados em sistemas convencionais geralmente é uma tarefa complexa que requer conhecimento abrangente da estrutura das bases de dados e da sintaxe da linguagem de consulta. Normalmente, o usuário está limitado a rotinas de pesquisa pré-definidas. Pode-se dizer que o QlikView utiliza uma arquitetura híbrida para análise dos dados; a MOLAP devido ao relacionamento das chaves associativas entre os hypercubos para montagem do modelo de negócios, a DOLAP por permitir uma análise off-line dos dados, e a OLAP por permitir uma análise on-line se a versão utilizada for a cliente-servidor. Outra característica que faz com que o modelo de negócios fique mais simples, é que campos de sumarizações não precisam ficar nos hypercubos, eles são calculados em tempo de execução, com isso a carga dos dados fica extremamente rápida. Os usuários podem criar suas próprias visões utilizando qualquer variável do modelo de negócios diretamente via navegador de internet. 6.3 Arquitetura Tradicional de BI x Arquitetura Associativa Conforme mostra a Figura 7, a construção de um ambiente de Business Intelligence requer dados de várias fontes de dados existentes na empresa ou fora dela. O conjunto de dados coletados é matéria-prima para uma série de transformações feitas antes da carga no Data Warehouse, cujo produto final é carregado no Data Warehouse (depósito de dados). São criadas visualizações gerenciais que possibilitam que as decisões gerenciais sejam tomadas em tempo real. Figura 2 - Arquitetura Tradicional de Business Intelligence.

14 14 Nesse ambiente tradicional, é necessário o investimento em um novo banco de dados, uma ferramenta para fazer ETL e, além disso, para posterior manutenção desse banco de dados um DBA (Administrador de Banco de Dados). Isso faz com que o custo fique bastante elevado. Na Figura 8, o ambiente de Business Intelligence fica mais simplificado, não é necessário o investimento em um novo banco de dados, e o ETL é feito dentro da própria ferramenta de desenvolvimento QlikView que gera seu próprio Data Warehose (QVW). Nessa base gerada por ele, não é necessário nenhuma manutenção para melhoria de performance. Essas características fazem que o custo para implantar e manter o sistema fique muito atrativo. Figura 3 - Arquitetura Associativa de Business Intelligence.

15 15 Referências ANZANELLO, C. A. M. OLAP: Conceitos e Utilização. Instituto de Informática Universidade Federal do Rio Grande do Sul (UFRGS), Disponível em: <http://www.inf.ufrgs.br/~clesio/cmp151/cmp /materialseminarios.html >. Acesso em: 15 jul BARBIERI, C. BI Business Intelligence: Modelagem e Tecnologia. Rio de Janeiro: Axcel Books, BERSON, A.; SMITH, S. J. Data warehousing, Data mining & OLAP. New York: McGraw-Hill, CORRÊA, H. L.; GIANESI, I. G. N. e CAON, M. (1999). Planejamento, Programação e Controle da Produção: MRP II / ERP. São Paulo: Editora Atlas. DAVENPORT, T. H. Mission critical: realizing the promise of enterprise systems. Boston, Massachusetts: Harvard Business School Press, DAVENPORT, T. H.; MARCHAND, D. A.; DICKSON, T. Dominando a gestão da informação. Porto Alegre: Bookman, p. DAVENPORT, T. H.; MARCHAND, D. A. A Gestão do conhecimento é uma boa gestão da informação? In: Dominando a gestão da informação. Tradução de Bellini C.G.P. e Soares C.A.S.N. Porto Alegre: Bookman, p HEINRICHS, J. H.; LIM, J. S. Integrating web-based data mining tolls with business models for knowledge management. Decision Support Systems, v.35, n.1, p , INMON, W. H. Como Construir o Data Warehouse. Rio de Janeiro: Editora Campus, INMON, W. H. Building the Data Warehouse. 2d. New York: John Wiley & Sons, p. KIM, W. Modern Database Systems: the Object Model, Interoperability and Beyond. ACM press, Addison Wesley, KIMBALL, R. The Data Warehouse Tollkit: practical techniques for buiding. LOPES, C. Conceito e história do BI. Disponível em: <http://www.celedo.com.br/portal/modules.php?name=news&file=article&sid=1 >. Acesso em: 7 maio MACHADO, F. N. R.; ABREU, M. P. Projeto de Banco de Dados: uma visão prática. São Paulo: Érica, 1996.

16 16 MANUAL QlikView: Versão 10 para Microsoft Windows Primeira Edição, Lund, Suécia, fevereiro de 2011 De autoria da QlikTech International AB /HIC/KHN/JNN/MSJ MARKUS, M. L. e TANIS, C (2000)..The enterprise system experience. from adoption to success., em Zmud, R. Ed., Framing the domains of IT research: glimpsing the future through the past. Cincinnati, Pinnaflex. PENDSE, N. What Is OLAP? The OLAP Report. Disponível em: <http://www.olapreport.com/fasmi.htm>. Acesso em: 29 set PESQUISA em Administração. São Paulo, FEA/USP, v.1, n.11, 1º Trimestre/2000, p PORTER, M. Estratégia Competitiva: Técnicas para Análise de Indústrias e da Concorrência. Rio de Janeiro: Campus, REINHARD, N. Evolução das ênfases gerenciais e de pesquisa na área de tecnologia de informática e de comunicações aplicada nas empresas. Revista da Administração. São Paulo: v. 4, p.5-6. SERRA, L. A. Essência do Business Intelligence. São Paulo: Editora Berkeley, THOMSEN, E. OLAP Solutions: Building John Wiley & Sons, Inc., 1.ed., 1997.

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

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

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

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

Chapter 3. Análise de Negócios e Visualização de Dados

Chapter 3. Análise de Negócios e Visualização de Dados Chapter 3 Análise de Negócios e Visualização de Dados Objetivos de Aprendizado Descrever a análise de negócios (BA) e sua importância par as organizações Listar e descrever brevemente os principais métodos

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

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

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

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

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

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

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

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

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

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

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

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

Auto Treinamento. Versão 10.05.13

Auto Treinamento. Versão 10.05.13 Auto Treinamento Versão 10.05.13 Sumário 1. OBJETIVO... 3 2. CONCEITO DE BUSINESS INTELLIGENCE... 3 3. REALIZANDO CONSULTAS NO BI-PUBLIC... 4 3.2. Abrindo uma aplicação... 4 3.3. Seleções... 6 3.4. Combinando

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

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

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

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

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

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 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

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

Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009.

Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009. REFERÊNCIAS o o Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009. Competição Analítica - Vencendo Através da Nova Ciência Davenport,

Leia mais

Uma Ferramenta WEB para apoio à Decisão em Ambiente Hospitalar

Uma Ferramenta WEB para apoio à Decisão em Ambiente Hospitalar Uma Ferramenta WEB para apoio à Decisão em Ambiente Hospitalar 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

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

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

BUSINESS INTELLIGENCE -Inteligência nos Negócios-

BUSINESS INTELLIGENCE -Inteligência nos Negócios- UNIVERSIDADE SÃO FRANCISCO CENTRO DE CIÊNCIAS JURÍDICAS, HUMANAS E SOCIAIS BUSINESS INTELLIGENCE -Inteligência nos Negócios- Curso: Administração Hab. Sistemas de Informações Disciplina: Gestão de Tecnologia

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

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

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

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

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 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

01/12/2009 BUSINESS INTELLIGENCE. Agenda. Conceito. Segurança da Informação. Histórico Conceito Diferencial Competitivo Investimento.

01/12/2009 BUSINESS INTELLIGENCE. Agenda. Conceito. Segurança da Informação. Histórico Conceito Diferencial Competitivo Investimento. BUSINESS INTELLIGENCE Agenda BI Histórico Conceito Diferencial Competitivo Investimento Segurança da Objetivo Áreas Conceito O conceito de Business Intelligencenão é recente: Fenícios, persas, egípcios

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

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

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

Sistemas de Apoio à Inteligência do Negócio

Sistemas de Apoio à Inteligência do Negócio Sistemas de Apoio à Inteligência do Negócio http://www.uniriotec.br/~tanaka/sain tanaka@uniriotec.br Visão Geral de Business Intelligence Evolução dos Sistemas de Informação (computadorizados) 1950 s:

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

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. 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

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

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

Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados

Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados Disciplina: Ferramentaspara Tomadade Decisão Prof.: Fernando Hadad Zaidan Unidade 1.2 1 Conceitos Iniciais Tomada de Decisão, Modelagem

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

Sobre o que falaremos nesta aula?

Sobre o que falaremos nesta aula? Business Intelligence - BI Inteligência de Negócios Prof. Ricardo José Pfitscher Elaborado com base no material de: José Luiz Mendes Gerson Volney Lagmman Introdução Sobre o que falaremos nesta aula? Ferramentas

Leia mais

SISTEMAS DE APOIO À DECISÃO SAD

SISTEMAS DE APOIO À DECISÃO SAD SISTEMAS DE APOIO À DECISÃO SAD Conceitos introdutórios Decisão Escolha feita entre duas ou mais alternativas. Tomada de decisão típica em organizações: Solução de problemas Exploração de oportunidades

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

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

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

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

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

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

Interatividade aliada a Análise de Negócios

Interatividade aliada a Análise de Negócios Interatividade aliada a Análise de Negócios Na era digital, a quase totalidade das organizações necessita da análise de seus negócios de forma ágil e segura - relatórios interativos, análise de gráficos,

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

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

Business Intelligence e Inteligência Analítica BUSINESS INTELLIGENCE

Business Intelligence e Inteligência Analítica BUSINESS INTELLIGENCE Business Intelligence e Inteligência Analítica BUSINESS INTELLIGENCE Sumário Conceitos/Autores chave... 3 1. Introdução... 4 2. Teoria de Negócios... 5 3. Profi ssionais de BI... 6 4. Verdades e Mitos

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

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

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

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

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 4.1 2 1 Material usado na montagem dos Slides BARBIERI,

Leia mais

e-business A IBM definiu e-business como: GLOSSÁRIO

e-business A IBM definiu e-business como: GLOSSÁRIO Através do estudo dos sistemas do tipo ERP, foi possível verificar a natureza integradora, abrangente e operacional desta modalidade de sistema. Contudo, faz-se necessário compreender que estas soluções

Leia mais

Curso Data warehouse e Business Intelligence

Curso Data warehouse e Business Intelligence 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

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

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

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

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

Data Warehousing e OLAP

Data Warehousing e OLAP Data Warehousing e OLAP Jornadas de Engenharia Informática Instituto Politécnico da Guarda Henrique Madeira Departamento de Engenharia Informática Faculdade de Ciências e Tecnologia Universidade de Coimbra

Leia mais

MBA Inteligência Competitiva Com ênfase em BI/CPM. Metadados

MBA Inteligência Competitiva Com ênfase em BI/CPM. Metadados MBA Inteligência Competitiva BI/CPM 1 Data Warehousing PÓS-GRADUAÇÃO MBA Inteligência Competitiva Com ênfase em BI/CPM Metadados Andréa Cristina Montefusco (36927) Hermes Abreu Mattos (36768) Robson Pereira

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

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

Business Intelligence Conceitos, Metodologia de Desenvolvimento e Exemplos de BI

Business Intelligence Conceitos, Metodologia de Desenvolvimento e Exemplos de BI Matriz: Av. Caçapava, 527 CEP 90.460-130 Tecnopuc: Av. Ipiranga, 6681 Prédio 32 Sala 109 CEP 90.619-900 Porto Alegre - RS, Brasil Contate-nos: +55 (51) 3330.7777 contato@dbccompany.com.br www.dbccompany.com.br

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

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

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

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

Administração de Banco de Dados

Administração de Banco de Dados Administração de Banco de Dados Professora conteudista: Cida Atum Sumário Administração de Banco de Dados Unidade I 1 INTRODUÇÃO A BANCO DE DADOS...1 1.1 Histórico...1 1.2 Definições...2 1.3 Importância

Leia mais

Solução de Business Intelligence para Seguros

Solução de Business Intelligence para Seguros Solução de Business Intelligence para Seguros António Roberto Taveira de Vasconcelos Pinto de Gouveia Mestrado Integrado em Engenharia de Redes e Sistemas Informáticos Departamento de Ciências de Computadores

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

Sistemas de Informação James A. O Brien Editora Saraiva Capítulo 5

Sistemas de Informação James A. O Brien Editora Saraiva Capítulo 5 Para entender bancos de dados, é útil ter em mente que os elementos de dados que os compõem são divididos em níveis hierárquicos. Esses elementos de dados lógicos constituem os conceitos de dados básicos

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

SISTEMAS DE BANCO DE DADOS. Prof. Adriano Pereira Maranhão

SISTEMAS DE BANCO DE DADOS. Prof. Adriano Pereira Maranhão SISTEMAS DE BANCO DE DADOS Prof. Adriano Pereira Maranhão 1 REVISÃO BANCO DE DADOS I O que é banco de dados? Ou seja afinal o que é um SGBD? REVISÃO BD I REVISÃO DE BD I Um Sistema de Gerenciamento de

Leia mais

Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI

Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI Janeiro de 2011 p2 Usuários comerciais e organizações precisam

Leia mais

Plano de Ensino. Apresentação da Unidade Curricular

Plano de Ensino. Apresentação da Unidade Curricular Plano de Ensino Plano de Ensino Apresentação da Unidade Curricular o Funcionamento, arquitetura e conceitos fundamentais dos bancos de dados relacionais e objeto relacionais. Utilização de linguagem DDL

Leia mais

Data Mining: Conceitos e Técnicas

Data Mining: Conceitos e Técnicas Data Mining: Conceitos e Técnicas DM, DW e OLAP Data Warehousing e OLAP para Data Mining O que é data warehouse? De data warehousing para data mining Data Warehousing e OLAP para Data Mining Data Warehouse:

Leia mais

Analysis Services. Manual Básico

Analysis Services. Manual Básico Analysis Services Manual Básico Construindo um Banco de Dados OLAP... 2 Criando a origem de dados... 3 Definindo as dimensões... 5 Níveis de dimensão e membros... 8 Construindo o cubo... 11 Tabela de fatos...12

Leia mais

Banco de Dados, Integração e Qualidade de Dados. Ceça Moraes cecafac@gmail.com

Banco de Dados, Integração e Qualidade de Dados. Ceça Moraes cecafac@gmail.com Banco de Dados, Integração e Qualidade de Dados Ceça Moraes cecafac@gmail.com Sobre a professora CeçaMoraes Doutora em Computação (UFPE) Áreas de atuação Desenvolvimento de Software e Banco de Dados Experiência

Leia mais

BUSINESS INTELLIGENCE COMO DIFERENCIAL COMPETITIVO NA GESTÃO DE NEGÓCIOS

BUSINESS INTELLIGENCE COMO DIFERENCIAL COMPETITIVO NA GESTÃO DE NEGÓCIOS BUSINESS INTELLIGENCE Gilvani Bruno Kisner Bacharel em Ciências da Computação Pós Graduação em especialização Tecnologia da Informação nas Organizações / Universidade Regional de Blumenau Prof. Dr. Oscar

Leia mais

Pós-Graduação MBA em Inteligência Competitiva com Business Intelligence(BI) Banco de Dados para BI 2011-11

Pós-Graduação MBA em Inteligência Competitiva com Business Intelligence(BI) Banco de Dados para BI 2011-11 Pós-Graduação MBA em Inteligência Competitiva com Business Intelligence(BI) Banco de Dados para BI 2011-11 Apresentação José Roberto Escodeiro Formação Acadêmica Mestre, Eng. de Produção, Ufscar, 2009,

Leia mais

Plataforma de Business Intelligence

Plataforma de Business Intelligence Plataforma de Business Intelligence ASTEN TECNOLOGIA DA INFORMAÇÃO A Asten é uma empresa do ramo da tecnologia da informação (TI) que tem seu foco na busca por soluções inovadoras. Nosso slogan criando

Leia mais