Sistemas de Informação. Ricardo Campos

Tamanho: px
Começar a partir da página:

Download "Sistemas de Informação. Ricardo Campos (ricardo.campos@ipt.pt)"

Transcrição

1 Campos, Ricardo. (2008). Apresentação de. Data Ricardo Campos Autoria Esta apresentação foi desenvolvida por Ricardo Campos, docente do Instituto Politécnico de Tomar. Encontra-se disponível na página web do autor no link Publications ao abrigo da seguinte licença: Mais detalhes em: O seu uso, de parte ou da totalidade, pressupõe a utilização da seguinte referência: Campos, Ricardo. (2008). Apresentação de. Data Warehouse, SQL Server Business Intelligence Development Studio. Conceitos de CRM e Data Mining. Tabelas Dinâmicas no MS Excel. 417 slides. A sua disponibilização em formato PPT pode ser feita mediante solicitação ( 1

2 Campos, Ricardo. (2008). Apresentação de. Data Bibliografia Recursos: Ralph Kimball, Laura Reeves, Margy Ross, Warren Thornthwaite The Data Warehouse Lifecycle Toolkit : Expert Methods for Designing, Developing, and Deploying Data Warehouses Wiley, 1998 ISBN: Ralph Kimball, Margy Ross Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling (Second Edition) Wiley, 2002 ISBN: W. H. Inmon Building the Data Warehouse (4rd Edition) Wiley, 2005 ISBN: Bibliografia Claudia Imhoff, Nicholas Galemmo, Jonathan G. Geiger Mastering Data Warehouse Design : Relational and Dimensional Techniques Wiley, 2003 ISBN: Ralph Kimball, Richard Merz The Data Webhouse Toolkit: Building the Web-Enabled Data Warehouse Wiley, 2000 ISBN: Joe Caserta, Ralph Kimball The Data Warehouse ETL Toolkit: Practical Techniques for Extracting, Cleaning Wiley, 2004 ISBN:

3 Campos, Ricardo. (2008). Apresentação de. Data Bibliografia A.Silberschatz, H.F.Korth, S.Sudarshan Database System Concepts McGraw-Hill ISBN J.L.Pereira Tecnologia de Bases de Dados FCA Editora de Informática ISBN: M. Y. Santos, I. Ramos Business Intelligence FCA Editora de Informática ISBN: Bibliografia SQL Server Analysis Tutorial 3

4 Campos, Ricardo. (2008). Apresentação de. Data Bibliografia Acetatos de João Moura Pires, UNova Faculdade de Ciências e Tecnologia Acetatos de José Lourenço, Wedo Consulting (www.wedo.pt) Bibliografia Recursos on-line (Bases de Dados e SQL): Tutoriais, Noções da Linguagem SQL, Linha de Código SQL, SQL Course Interactive, SQL for Web Nerds, Nota: Não é possível garantir a existência futura dos endereços (URL s), citados nos recursos on-line. Como se sabe, os endereços são virtuais e a sua vida útil depende única e exclusivamente dos seus autores e proprietários. 4

5 Campos, Ricardo. (2008). Apresentação de. Data Bibliografia Recursos on-line (SQL Server ): Sql Server Developer Center, Newsgroups, SQL Server Magazine, SQL Server Database Help, Data Generation Tool, SQL Server Central, SQL Server 2005 Books, B133-29C1E0B6585F&displaylang=en Nota: Não é possível garantir a existência futura dos endereços (URL s), citados nos recursos on-line. Como se sabe, os endereços são virtuais e a sua vida útil depende única e exclusivamente dos seus autores e proprietários. Bibliografia Recursos on-line (SQL Server ): Nota: Não é possível garantir a existência futura dos endereços (URL s), citados nos recursos on-line. Como se sabe, os endereços são virtuais e a sua vida útil depende única e exclusivamente dos seus autores e proprietários. 5

6 Campos, Ricardo. (2008). Apresentação de. Data Bibliografia Recursos on-line (Excel: Tabelas Dinâmicas): Pivot Table Reports 101, 25 Easy Pivot Tables, Do que trata este curso? Data Warehouse (DW) É o armazém onde todos os dados são armazenados e guardados incluindo dados temporais que servirão de suporte futuro à análise de dados e apoio à decisão; On-Line Analytical Processing (OLAP) Resposta a queries analíticas que por natureza são dimensionais. Os dados são provenientes da DW; 6

7 Campos, Ricardo. (2008). Apresentação de. Data Do que trata este curso? Data Mining É o processo de descoberta de nova e relevante informação a partir de grandes volumes de informação mantidos no DW; Porquê estudar? Os têm um papel fundamental e sempre crescente em todas as organizações de negócios; Para um entendimento sólido de como as organizações operam, é crucial entender o papel dos sistemas de informação nas organizações; Os são usados em todas as áreas funcionais: Nas Finanças e Contabilidade os SI são usados para prever resultados, gerir recursos financeiros, analisar investimentos, etc Em Vendas e Marketing os SI são usados para processar pedidos de clientes, desenvolver planos de produção, controlo de stock, monitorizar a qualidade dos produtos, etc 7

8 Campos, Ricardo. (2008). Apresentação de. Data Porquê estudar? A indústria de aviação usa a Internet para oferecer descontos e aumentar as vendas Os bancos usam os SI para auxiliar na concessão de créditos; Nas Finanças e Contabilidade os SI para organizar a entrega de bens; As empresas de saúde usam os SI para diagnosticar doenças, planear tratamentos médicos, etc Objectivos Arquitectura dos ; Gestão do Conhecimento; Operações típicas de slice, drill-down, drill up por via das tabelas dinâmicas do Excel; Evolução das bases de dados; Conceito dos Sistemas de Apoio à Decisão; Conceito de OLTP, DW e OLAP; Modelo standard de um data warehouse; 8

9 Campos, Ricardo. (2008). Apresentação de. Data Objectivos CRM; Data Mining; Programa Noção de Informação; Dados vs Informação; Conceito de ; Funções de um Sistema de Informação; Arquitectura de Sistemas; Gestão de Conhecimento 9

10 Campos, Ricardo. (2008). Apresentação de. Data Programa Data Warehouse e OLAP Conceitos de Sistemas de Apoio à Decisão; Perspectiva Histórica; Noção de Data Warehouse; Aplicações; Características; Modelo de referência do DW; Diferenças entre OLTP e OLAP; Modelação dimensional (modelo em estrela); Programa SQL Server Business Intelligence Development Studio; Integração dos dados; Análise dos dados; Definição de KPIs; 10

11 Campos, Ricardo. (2008). Apresentação de. Data Programa Implementação de um projecto DW para um banco; Desenho do esquema relacional; Desenho do esquema em estrela; Integração dos dados; Análise dos dados; Definição de KPIs; Programa Data Mining Definição de Data Mining; Aplicações; OLAP vs Data Mining; Classificação; Segmentação e Modelação de Dependências; Técnicas de Data Mining; 11

12 Campos, Ricardo. (2008). Apresentação de. Data Programa Microsoft Excel Tabelas Dinâmicas; Manipulação básica de tabelas dinâmicas no excel (criação, manipulação e interactividade sobre elas); O significado das operações típicas de slice, drill-down e drill-up por via das tabelas dinâmicas; Outras funcionalidades: sub-totais; cenários e atingir objectivos; Ricardo Campos 12

13 Campos, Ricardo. (2008). Apresentação de. Data Informação O acesso à informação e a capacidade de integrar e interpretar a informação que vai estando disponível, interna e externamente às organizações estão no cerne da conquista de vantagens competitivas pelas empresas. Michael Porter The Competitive Advantage of Nations Macmillan Press, London, 1990 Informação Excesso de Informação; Será que o problema reside no excesso de informação? O problema não é o excesso é a qualidade; Existem muitos dados sem qualidade; 13

14 Campos, Ricardo. (2008). Apresentação de. Data Dados vs Informação Os dados são a matéria prima da informação A sua recolha, manutenção e armazenamento é extremamente cara, mas apesar disto o seu valor é relativamente baixo; A informação é resultado do processamento de dados de modo a serem utilizados para suporte a decisão O processamento pode assumir múltiplas formas: agregação; gráficos; análise; ordenação; Dados Informação Gestão da Informação Sistema Conjunto de elementos ou componentes que interagem para atingir objectivos. Os sistemas têm entradas, mecanismos de processamento e saídas; Sistema Entrada Processamento Saída Estudantes, Professores, Administradores, Livros, etc Actores, Directores, Cenários, etc Pesquisa, Ensino, Serviços Filmagem, Edição, Efeitos Especiais, etc.. Estudantes com conhecimentos, pesquisa significativa, serviços prestados à região Filme nas salas de cinema. 14

15 Campos, Ricardo. (2008). Apresentação de. Data Sistema de Informação Conjunto inter-relacionado de componentes capazes de recolher, armazenar, processar e disponibilizar informação, com o propósito de apoiar o planeamento, controlo, coordenação, análise e tomada de decisão. Organizações Pessoas Sistemas de Informação Tecnologia Sistema de Informação Tecnologia: Bases de Dados: é uma das partes mais valiosas de um sistema de informação, reunindo uma colecção organizada de dados da organização; Redes: usadas para conectar computadores e equipamentos; Internet: a maior rede de computadores do mundo; Intranet: rede interna baseada em tecnologias de internet que permitem aos colaboradores de uma organização trocar informações; Extranet: rede baseada em tecnologias de Internet que permitem a terceiros seleccionados (parceiros e clientes de negócios), aceder a recursos autorizados da intranet de uma organização; 15

16 Campos, Ricardo. (2008). Apresentação de. Data Funções de um Sistema de Informação Recolha da Informação; Armazenamento da Informação; Processamento da Informação; Representação da Informação; Distribuição da Informação; input processamento output Funções de um Sistema de Informação input processamento output Input: actividade de capturar dados básicos. Exemplo: quantidade de horas trabalhas por um funcionário; Processamento: envolve a transformação de dados em informação. O processamento pode envolver cálculos; Output: envolve a distribuição de informação útil, em geral na forma de documentos ou relatórios. Cheques com os pagamentos para os funcionários; 16

17 Campos, Ricardo. (2008). Apresentação de. Data Arquitectura de Sistemas Registar Actuar CRM Sistemas Operacionais Aprender Recordar Data Warehouse Aprender Motivação: Decisões no contexto das Organizações Decidir a criação de um novo curso universitário; Analisar os factores que afectam o insucesso escolar dos alunos; Decidir a concessão de um crédito bancário; Prever quais os clientes que estão em risco de deixar de o ser; 17

18 Campos, Ricardo. (2008). Apresentação de. Data Motivação: Decisões no contexto das Organizações Marketing Visão integrada do cliente Programas de retenção dos clientes; Data Warehouse Domínios de Informação Vendas Performance Preços Marketing Vendas Financeiro Outros Financeiro Custos e Receitas Outros Recursos Humanos Necessidade e Contexto A necessidade e contexto de implementação de Sistemas de Suporte à Decisão decorre de: Forte evolução das Tecnologias de Informação no dominio de tratamento de dados; Existência e evolução de Sistemas Operacionais sofisticados geradores de informação; Forte concorrência nos mercados; Politicas e estratégias de Gestão de Conhecimento; 18

19 Campos, Ricardo. (2008). Apresentação de. Data Gestão de Conhecimento A gestão do conhecimento abrange todo o ambiente das organizações nas funções de: Recolha de Informação; Agregação de Informação; Gestão da Informação; Distribuição da Informação; Análise da Informação; Com a finalidade de suporte e fundamentação de decisões. Gestão de Conhecimento Problemas típicos: Dificuldades na obtenção da informação necessária; Existência de múltiplas fontes de informação, diferentes ocorrências para as mesmas informações; Dificuldades na identificação das fontes da informação; Acesso à informação, necessidade de recorrer a recursos especializados; Dificuldades na interpretação da informação; Documentação associada de fraca qualidade e geralmente pouco objectiva em termos de negócio; 19

20 Campos, Ricardo. (2008). Apresentação de. Data Tecnologias de Business Intelligence Os sistemas de BI (Business Intelligence) utilizam os dados disponíveis nas organizações para disponibilizar informação relevante para a tomada de decisão; Os sistemas de BI estão tradicionalmente associados a 3 tecnologias: Data Warehouses On-Line Analytical Processing Data Mining Tecnologias de Business Intelligence Data Warehouses Um DW é um armazém de dados que permite o armazenamento de informação relevante para a tomada de decisão; On-Line Analytical Processing Estes repositórios podem ser analisados utilizando ferramentas OLAP (análise multidimensional que nos permite examinar a informação sob diferentes perspectivas) Data Mining e de Data Mining (algoritmos de exploração dos dados identificam padrões, relacionamentos, modelos que estão ocultos na grande quantidade de dados armazenados). 20

21 Campos, Ricardo. (2008). Apresentação de. Data Termos Chave Base de dados; ; Comércio Electrónico; Informação; Gestão de Conhecimento; Dados; Business Intelligence; Extranet; Redes; OLTP; OLAP; Intranet; CRM; Sistemas Operacionais; Data Warehouse; ERP; Data Mining; Web Mining; Sistemas de Apoio à Decisão; Data Warehouse e OLAP Ricardo Campos 21

22 Campos, Ricardo. (2008). Apresentação de. Data Evolução das TIC Lei de Moore; Capacidades de Armazenamento; Suporte a Elevado número de transacções; Client/Server; Redes; Ferramentas de Desenvolvimento (alta produtividade) Evolução dos SAD 1960 Ficheiros de Dados 1965 Muitos Ficheiros de Dados Clientes Encomendas Produtos Complexidade na manutenção e no desenvolvimento; Dificuldade na sincronização dos dados; Redundância e Inconsistência dos dados; Não possibilita o acesso concorrentes (diversos utilizadores); 22

23 Campos, Ricardo. (2008). Apresentação de. Data Evolução dos SAD 1970 Sistemas de Gestão de Bases de Dados S G B D Bases de Dados A abordagem pelos SGBDs tem uma característica fundamental: os dados são organizados num único conjunto (uma única unidade de armazenamento em vez de várias unidades independentes); Adicionalmente todos os acessos aos dados passam por entidade designada por SGBD que centraliza em si o acesso à base de dados; Os SGBDs ocultam os detalhes físicos de armazenamento e organização dos dados (a base de dados encontra-se evidentemente num conjunto de ficheiros); Evolução dos SAD A meio da década de 70 surgem os primeiros sinais de investigação na área de Sistemas de Apoio à Decisão. É proposta pela 1.º vez uma primeira divisão entre: Processamento Operacional; Processamento Analítico; Através da criação de sistemas específicos com: armazenamento de dados separados e independentes; princípios de desenho de dados radicalmente diferentes; 23

24 Campos, Ricardo. (2008). Apresentação de. Data Evolução dos SAD 1975 OnLine Transaction Processing (OLTP) Bases de Dados Dados Operacionais/Transaccionais High-performance online processing; 1980 Client/Server Bases de Dados Reports Construção de Relatórios Pré-Definidos Evolução dos SAD 1985 Data Warehouse Bases de Dados Extracção Dados extraídos através de uma ferramenta de extracção; DW Selo temporal; Análises Especializadas; 24

25 Campos, Ricardo. (2008). Apresentação de. Data DW A data warehouse é uma base de dados analítica que é usada como suporte aos sistemas de apoio à decisão É usada para armazenar grandes volumes de dados Disponibilizar uma visão de toda a informação de negócio, integrada e consistente, com fácil acesso para os seus utilizadores. Unifica a informação da organização (elimina as ilhas de informação) Valoriza os sistemas existentes em vez de os substituir DW A Construção de um Data Warehouse é um processo iterativo e continuo, não um projecto fechado. É um ambiente, não é um produto final. A participação, na construção do sistema, activa e contínua dos utilizadores de negócio é critica Potencia a implementação de SAD 25

26 Campos, Ricardo. (2008). Apresentação de. Data DW - Aplicações Análise de risco Extrapolar conhecimento para poder classificar os novos clientes; Marketing Focalizar campanhas publicitárias; Gestão de inventário Armazéns: permite tomada de decisões sobre o nível de stock óptimo e frequências de entregas; Gestão de posicionamento de produtos Grandes superfícies: optimizar colocação de artigos nas prateleiras, permitindo as melhores vendas; DW - Características Orientado por assunto: num DW os dados são organizados em torno dos principais assuntos de uma organização, por exemplo, clientes, fornecedores, produtos, lojas,etc É um repositório que não está vocacionado para o armazenamento da informação associado às operações do dia a dia da organização e respectivo processamento das transacções, mas visa a análise de dados para o suporte à tomada de decisões; Integrado: um DW é normalmente construído a partir de diversas fontes heterogéneas de dados Não volátil: num DW existem apenas duas operações (carregamento inicial dos dados e acesso aos mesmos). Após o carregamento estes não podem ser alterados ou eliminados. 26

27 Campos, Ricardo. (2008). Apresentação de. Data DW - Características Concebido para tarefas analíticas; Pequeno número de utilizadores; Actualizações periódicas; Dados históricos e coerentes; Poucas tabelas (mas muito grandes); Tabelas não normalizadas (informação redundante). DW - Características A informação deve conter um selo temporal (o objectivo de um DW é fornecer informação sob uma perspectiva histórica); A informação nunca é actualizada (os dados contidos no DW nunca são alterados, podendo apenas ser consultados); O DW conserva os dados antigos e as novas alterações, com selos temporais diferentes que permitem assim diferenciar os mesmos; Um data warehouse está por isso sempre cheio de informação histórica; Nem todos os dados são suficientemente importantes para guardar, pelo que para a DW só deverá ser passada informação considerada importante; 27

28 Campos, Ricardo. (2008). Apresentação de. Data DW - Características Bases de Dados Operacionais Objectivos operacionais Acessos de leitura/escrita Transacções pré-definidas Acesso a poucos registos de cada vez Dados actualizados em tempo real Estrutura optimizada para actualizações Data Warehouses Registo histórico Acessos só de leitura Questões ad-hoc Acesso a muitos registos de cada vez Carregamentos periódicos de mais dados Estrutura optimizada para processamento de questões Arquitectura DW Um DW é normalmente composto por: Motor de Bases de Dados; Ferramentas de ETL (Extraction, Transformation and Loading) para extrair informação de fontes dispersas e integrá-las na DW; Ferramentas de BI (Business Intelligence) para analisar os dados; 28

29 Campos, Ricardo. (2008). Apresentação de. Data Arquitectura DW Dados dos sistemas operacionais Data Warehouse Utilização Datamarts ETL Data Store ETL & Agregações Reporting Ad-hoc Queries Fontes externas Metadata Data Mining Fontes de Dados Data Warehouse Exploração Sistemas Operacionais (Facturação, etc) Fontes de dados Externas ETL, Armazenamento, Modelação Dimensional Agregações, Metadata Ferramentas Reporting Data Mining, EIS Balance Socorecard Arquitectura DW Em muitas organizações já existem aplicações específicas para as operações do dia a dia, tendo estas as suas próprias bases de dados chamadas de Bases de Dados de Sistemas Operacionais ; Dados dos sistemas operacionais Fontes externas ETL Data Warehouse Data Store Metadata ETL & Agregações Datamarts Utilização Reporting Ad-hoc Queries Data Mining Optimizadas para o trabalho específico que têm de realizar; Periodicamente (com frequência horária, diária, semanal ou outra - dependendo da organização em causa), toda a informação contida nessas bases de dados é transferida para um Data Warehouse, onde essa informação vai ficar inalterada e disponível para exploração. 29

30 Campos, Ricardo. (2008). Apresentação de. Data Arquitectura DW Fontes externas: Fazer uma pesquisa por web farming; Fazer uma pesquisa por web warehouse; Arquitectura DW Dados dos sistemas operacionais Data Warehouse Utilização Datamarts Reporting ETL Data Store ETL & Agregações Ad-hoc Queries Fontes externas Metadata Data Mining Automatizam o processo de extracção e carregamento de dados Manutenção de processos facilitada Gestão de Metadata 30

31 Campos, Ricardo. (2008). Apresentação de. Data Arquitectura DW Dados dos sistemas operacionais Data Warehouse Utilização Datamarts Reporting ETL Data Store ETL & Agregações Ad-hoc Queries Fontes externas Metadata Data Mining Extraction Transformation and Loading são os processos cujo objectivo é o de extrair os dados das diversas fontes (tipicamente sistemas operacionais) e efectuar todos os processos de transformação e normalização necessários para poder carregar os dados na estrutura da ODS e do DW. Arquitectura DW Extraction Processo associado à fonte de dados (Sistema Operacional, fonte externa ou outra). é o primeiro para incluir dados no ambiente do Data Warehouse. Dados dos sistemas operacionais ETL Data Warehouse Data Store ETL & Agregações Datamarts Utilização Reporting Ad-hoc Queries Metadata Transformation Fontes externas Data Mining Limpar os dados, corrigir erros, lidar com dados inexistentes e aplicar formatos, normalizar conceitos Rejeitar campos vindos dos sistemas operacionais que não têm utilidade Loading Carregamento de dados 31

32 Campos, Ricardo. (2008). Apresentação de. Data Arquitectura DW Problemas em ETL Dados dos sistemas operacionais Data Warehouse Utilização Datamarts Ambiguidade de conceitos; ETL Data Store ETL & Agregações Reporting Ad-hoc Queries Necessidade de normalizar e integrar os dados; Fontes externas Metadata Data Mining Análise baseada em múltiplos data sets; Dificuldades na transformação dos dados em informação: as aplicações não foram construídas pensando na integração de SAD; não existem suficientes dados históricos guardados; Arquitectura DW Data Store Dados dos sistemas operacionais Data Warehouse Utilização Datamarts O objectivo de Data Store é o de criar uma camada prévia ao DW, de modo a extrair (sem pesar nos sistemas operacionais) toda a informação necessária para alimentar o modelo de dados do DW após um processo de normalização dos dados provenientes de diversas fontes; Fontes externas ETL Data Store Metadata ETL & Agregações Reporting Ad-hoc Queries Data Mining Armazenamento de Dados, tipicamente em modelos relacionais (em RDBMS) Tradução de multiplos formatos de dados para uma visão unificada A manutenção de um repositório centralizado de dados do negócio 32

33 Campos, Ricardo. (2008). Apresentação de. Data Arquitectura DW Assegurar a limpeza, integridade e coerência da informação Dados dos sistemas operacionais ETL Data Warehouse Data Store ETL & Agregações Datamarts Utilização Reporting Ad-hoc Queries Metadata Fontes externas Data Mining Constituir uma staging area para Data Marts específicos, disponibilizando uma fonte de informação única aos diversos Data Marts. Arquitectura DW Data Marts Modelação (Multi)dimensional nos Data Marts (star schemas) menor número de entidades Dados dos sistemas operacionais Data Warehouse Datamarts Utilização Reporting Por defeito, as bases de dados normalizadas são excluídas desta fase, aquele deverá compreender obrigatoriamente uma estrutura dimensional Fontes externas ETL Data Store Metadata ETL & Agregações Ad-hoc Queries Data Mining Os Data Marts disponibilizam as funcionalidades analíticas necessárias a cada domínio de informação (Marketing, Vendas, Financeiro, etc ) Um modelo dimensional contém a mesma informação que um modelo relacional, mas estruturado de forma a privilegiar a performance e a definição de queries. 33

34 Campos, Ricardo. (2008). Apresentação de. Data Arquitectura DW Todos os datamarts devem sem construídos com base em dimensões e em factos Dados dos sistemas operacionais Data Warehouse Datamarts Utilização Reporting A arquitectura é definida como star schemas (esquemas em estrela) Fontes externas ETL Data Store Metadata ETL & Agregações Ad-hoc Queries Data Mining A construção de um data mart visa responder às necessidades de um departamento ou de um domínio específico de informação Arquitectura DW Atributo Data Warehouse Data Mart Tipo de modelo de dados Corporativo Departamental Fontes de dados utilizadas Muitas Poucas Domínios de informação Muitos Um Esforço inicial Elevado Baixo Próximo nível de migração Data Mart Data Warehouse Competências necessárias Maiores Menores 34

35 Contract Gross Activations Contract Net Activations Campos, Ricardo. (2008). Apresentação de. Data Arquitectura DW Reporting Activations Control Report Data From: 07/Jun/2000 Dados dos sistemas operacionais Data Warehouse Utilização Datamarts ETL Data Store ETL & Agregações Reporting Ad-hoc Queries 07/06/00 08/06/00 09/06/00 10/06/00 11/06/00 12/06/00 13/06/00 14/06/00 15/06/00 16/06/00 17/06/00 18/06/00 19/06/00 20/06/00 21/06/00 22/06/00 Fontes externas Metadata Data Mining Auxiliam na tomada de decisões estratégicas; Maior produtividade dos gestores (a tecnologia fornece informação de gestão, indicadores, etc ); Flexibilidade (permite que os gestores fiquem menos dependentes dos informáticos); Acompanhamento da evolução do negócio; Arquitectura DW Executive Information System Dados dos sistemas operacionais Data Warehouse Utilização Datamarts Ferramenta que disponibiliza à gestão das organizações, o acesso aos indicadores mais relevantes (fornecimento de Indicadores Macro para Gestores da empresa (n.º clientes activos, KPIs)) Fontes externas ETL Data Store Metadata ETL & Agregações Reporting Ad-hoc Queries Data Mining Data Mining Descobrir padrões que permitam obter vantagens no negócio (procurar e reter os clientes mais rentáveis; segmentação de mercados; prever o futuro e identificar os factores para produzir o efeito desejado) 35

36 Campos, Ricardo. (2008). Apresentação de. Data Arquitectura DW Metadata Dados dos sistemas operacionais Data Warehouse Utilização Dados que descrevem dados Datamarts Reporting ETL Data Store ETL & Agregações Ad-hoc Dois tipos de metadata: Fontes externas Metadata Queries Data Mining Arquitectura DW Dados dos sistemas operacionais Data Warehouse Utilização Datamarts Reporting ETL Data Store ETL & Agregações Ad-hoc Queries Informação do carregamento (ex: frequência, dependências, estado, data/hora, último carregamento) Fontes externas Metadata Data Mining Regras de negócio; O nome do programa que realizou o carregamento; 36

37 Campos, Ricardo. (2008). Apresentação de. Data Arquitectura DW Dados dos sistemas operacionais Data Warehouse Utilização Datamarts Reporting ETL Data Store ETL & Agregações Ad-hoc Queries descrição de cada objecto e campo mantido no DW Fontes externas Metadata Data Mining Regras de dados para calcular dados Conversão entre formatos (ex: datas) Nome do sistema de onde vieram os dados DW Operacional DW Data Mart Data Mining C Bonifácio Rua Principal Crédito - AA C Bonifácio Rua A Crédito - B Janeiro Fevereiro Março Abril 4125 Utilizadores no período Com saldo inferior a C Bonifácio pres Rua Principal Crédito - AA Qual é o tipo de crédito do C Bonifácio? Qual é o percurso histórico do C Bonifácio em termos de créditos? Estamos a atrair mais ou menos clientes? Quais são os clientes a quem não se deve conceder crédito? 37

38 Campos, Ricardo. (2008). Apresentação de. Data Integração dos Dados Operacional DW C Bonifácio Dados Pessoais Masculino casado 20/06/1977 C Bonifácio Masculino casado Dados relativos ao automóvel 1 acidente 20/06/ acidente Rua Principal Cliente Dados relativos à habitação Rua Principal Tomar Tomar Diabetes Dados relativos à saúde Diabetes OLTP vs OLAP (Operacional vs Analítico) Os modelos OLAP por oposição aos modelos OLTP têm muito menos entidades, o tipo de cruzamentos são simplificados e as preocupações com a redundância de dados é menor: 38

39 Campos, Ricardo. (2008). Apresentação de. Data OLTP vs OLAP (Operacional vs Analítico) Utilizadores de um sistema operacional Introduzem novos clientes, registam as queixas, registam as compras, etc Os utilizadores de um sistema operacional lidam maioritariamente com um registo de cada vez, repetindo a mesma tarefa infinitas vezes. Utilizadores de um sistema analítico Contabilizam as compras e comparam-nas com as da semana anterior, questionando-se acerca da evolução, da razão das queixas, etc Os utilizadores de um sistema analítico, raramente trabalham com uma linha de cada vez. As suas questões exigem que centenas de linhas sejam pesquisas e compactadas numa resposta. Para complicar ainda mais as coisas, os utilizadores alteram constantemente o tipo de questões que colocam. OLTP vs OLAP (Operacional vs Analítico) OLTP Detalhado Precisa no momento do acesso Utilizado por operacionais de negócio Modelos complexos com muitas tabelas Desempenho é crítico e constante Não há lugar à redundância Suporta as operações do dia a dia (transacções) OLAP Sumarizada Representa evolução (snapshots) ao longo do tempo Utilizado por gestores de negócio Modelos com menos tabelas (star schema) Conceito de desempenho variável Redundância de informação Suporta as necessidades de gestão (análise) Pequena quantidade de dados processada muitas vezes Grande quantidade de dados processada poucas vezes 39

40 Campos, Ricardo. (2008). Apresentação de. Data OLTP vs OLAP (Operacional vs Analítico) OLTP Gerido como um todo Dados podem ser actualizados Obrigatoriamente disponível Grande probabilidade de acesso OLAP Gerido por áreas Dados não podem ser actualizados Disponibilidade variável Pouca probabilidade de acesso OLTP OLAP OLTP Muitos utilizadores; Transacções fixas e programadas; Transacções muito eficientes com tempos de execução na ordem dos segundos. Milhares de operações por segundo; Repetição de operações (insert; update; remove); Sistemas críticos para o negócio que suportam o dia a dia dos negócios pontos de venda nas lojas ATMs Comércio electrónico 40

41 Campos, Ricardo. (2008). Apresentação de. Data OLAP Apenas algumas queries por dia quando comparado com os sistemas OLTP; É difícil prever as queries que os utilizadores pretendem e em geral elas são mais diversas que nos sistemas OLTP; Leitura e processamento dos dados, mas a escrita não é permitida; Sistemas que disponibilizam aos utilizadores as ferramentas necessárias à análise dos diferentes aspectos da organização Qual a facturação de um determinado produto numa determinada região? Qual a evolução do mercado desde a sua introdução? Quais são os 10 produtos mais vendidos numa determinada região? E a nível nacional? Operações OLAP O DW mantém os dados; O OLAP transforma os dados em informação estratégica Operações OLAP: Agregação de dados; Filtro, Ordenação e Ranking; Filtro, Ordenação e Ranking; Análise e procura de padrões; Análise de tendência de dados; 41

42 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Os modelos de dados de num data warehouse são modelos dimensionais ou star schemas. Enquanto que um esquema relacional é concebido para ser eficiente ao armazenamento dos dados provenientes das transacções, evitando a redundância, o esquema em estrela está estruturado de forma a facilitar as consultas. Modelação Dimensional Os sistemas são construídos com base em 3 eixos com dependências directas entre si: PERÍODOS TEMPORAIS FACTOS INDICADOR DIMENSÃO/ HIERARQUIAS Os factos / indicadores contêm informação quantitativa (indicadores), e podem ser analisados por diversos tipos de dimensão, sendo que estes cruzamentos deverão estar assignados sempre a um período de referência 42

43 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Dois tipos de componentes: Tabela de factos: tabela central com muita informação; Dimensões: tabelas mais pequenas utilizadas para analisar factos a partir de uma determinada perspectiva Modelação Dimensional A tabela de factos: é constituída por dados mensuráveis (variáveis numéricas) e um conjunto de chaves estrangeiras que relacionam a tabela de factos com as diversas dimensões que lhe estão associadas; As variáveis são orientadas por uma ou várias dimensões, constituindo uma estrutura matricial que pode ser analisada por tantos ângulos quantos os permitidos pelo cruzamento das dimensões Apresenta-se normalizada; Contém uma grande quantidade de registos, ocupando normalmente mais de 95% do espaço ocupado pelo DW; 43

44 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Chave composta; Tempo faz parte da chave; Tipicamente numérico; Das tabelas de factos extraem-se os indicadores (métricas) Modelação Dimensional As tabelas de dimensões: As tabelas de dimensão fornecem as perspectivas sobre os quais os factos poderão ser analisados (ex: tempo, cliente, produto, etc ). As tabelas de dimensões são normalmente tabelas não normalizadas, podendo ter embebidas uma ou mais hierarquias, isto é, árvores de agregação construídas sobre os elementos das dimensões com o objectivo de apresentar totais intermédios e globais; Contêm poucos registos quando comparadas com a tabela de factos, apesar de integrarem muitos atributos; 44

45 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Chave única; As chaves das dimensões devem ser artificiais (inteiros sequenciais). A ideia é desacoplar as chaves dos OLTPs das chaves do DW Razões: As chaves naturais podem ser invalidadas no futuro; Integrar fontes diversas com sistemas inconsistentes de chaves naturais; É possível usar chaves artificiais que não teriam significado no OLTP, como por exemplo: Não Aplicável É necessário manter na área de staging tabelas de referências cruzadas entre as chaves do DW e a das fontes, para um adequado carregamento; Modelação Dimensional Cada registo tem uma descrição única; Os atributos mais interessantes são as descrições textuais existentes nas dimensões de análise da actividade 45

46 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Caso prático: Uma empresa tem o seu negócio baseado na venda de produtos em três zonas distintas do país (Norte, Centro e Sul); As vendas são feitas através de uma força de vendas directas; A administração necessita de um sistema de informação que lhe permita analisar a evolução do volume de vendas (quantidade e montantes) ao longo do tempo, por vendedor, produto e área geográfica. Modelação Dimensional Dimensões de análise: Tempo; Área geográfica; Vendedor; Produto; 46

47 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Indicadores: Montante; Quantidades; Modelação Dimensional Modelo final: 47

48 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Modelo OLTP (Modelo Relacional): Periodo Factura Localidade Concelho Data Mês Trimestre numfactura data codpostal codpostal nomelocalidade codconcelho codconcelho nomeconcelho coddistrito Ano codcliente Total Linha Encomenda numfactura codproduto Qtd Preço Cliente codcliente nomecliente codconcelho codtipocliente Distrito coddistrito nomedistrito Tipo Cliente codtipocliente Tipo Produto Produto TipoCliente codtipoproduto codproduto nometipoprodu nomeproduto codtipoproduto Modelação Dimensional As entidades OLTP podem classificar-se numa das seguintes categorias: Entidades de Transacção; Regista detalhes que ocorrem num determinado período de tempo; Contém medidas ou quantidades que podem ser sumarizadas (preços, volumes, quantidades, etc.); São a base das tabelas de factos; 48

49 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Entidades de Componentes; Directamente relacionada a uma entidade de transacção através de uma relação 1 N; Estas entidades definem os detalhes dos componentes para cada transacção, respondendo às perguntas de quem, o quê, quando, onde, como e porque ; Cliente: quem fez a compra; Produto: o que foi vendido; Localização: onde foi vendido; Período: quando foi vendido; Componente que é a base das tabelas de dimensão Modelação Dimensional Entidades de Classificação; Entidades que estão relacionadas a entidades de componentes através de uma relação 1 N; Estão funcionalmente dependentes de uma entidade de componentes; Entidades de classificação representam hierarquias, as quais podem ser integradas nas entidades de componentes para formar tabelas de dimensão no contexto do esquema em estrela; 49

50 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Classificação das entidades: Periodo Factura Localidade Concelho Data Mês Trimestre numfactura data codpostal codpostal nomelocalidade codconcelho codconcelho nomeconcelho coddistrito Ano codcliente Total Linha Factura numfactura codproduto Qtd Preço Cliente codcliente nomecliente codconcelho codtipocliente Distrito coddistrito nomedistrito Tipo Cliente codtipocliente Tipo Produto Produto Transacção TipoCliente codtipoproduto nometipoprodu codproduto nomeproduto codtipoproduto Componentes Classificação Modelação Dimensional Modelo OLAP (Modelo Multidimensional): Periodo Data Mês Trimestre Ano Produto codproduto nomeproduto codtipoproduto nometipoprodu Factura data codpostal codcliente codproduto SumQtd SumItemPreço Valores numéricos agregados Localidade codpostal nomelocalidade codconcelho nomeconcelho coddistrito nomedistrito Cliente codcliente nomecliente codtipocliente TipoCliente CodConcelho nomeconcelho coddistrito nomedistrito 50

51 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Hierarquias: Uma hierarquia é uma sequência de entidades associadas através de um conjunto de relações 1 N; Linha Factura Factura Localidade Concelho Distrito numfactura numfactura codpostal codconcelho coddistrito codproduto data nomelocalidade nomeconcelho nomedistrito Qtd codpostal codconcelho coddistrito Preço codcliente Total Modelação Dimensional Linha Factura Factura Localidade Concelho Distrito numfactura numfactura codpostal codconcelho coddistrito codproduto data nomelocalidade nomeconcelho nomedistrito Qtd codpostal codconcelho coddistrito Preço codcliente nomedistrito Total Roll Up Linha Factura Factura Localidade Concelho numfactura numfactura codpostal codconcelho codproduto data nomelocalidade nomeconcelho Qtd codpostal codconcelho coddistrito Preço codcliente nomeconcelho nomedistrito Total coddistrito nomedistrito Roll Up 51

52 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Esquema em floco de neve: Um esquema em floco de neve (snowflake schema) é um esquema em estrela cujas dimensões estão completamente normalizadas Um esquema em floco de neve acaba por apresentar uma estrutura mais complexa; O esquema evita que a informação redundante seja armazenada, uma vez que as dimensões estão devidamente normalizadas; A maior desvantagem está associada à perda de desempenho no processamento das interrogações devido à normalização das dimensões; Modelação Dimensional Esquema em floco de neve: Dimensão 1 Sub - Dimensão 2 Dimensão 2 Tabela de Factos Dimensão 4 Sub - Dimensão 4 Dimensão 3 52

53 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Fornecedor Id_fornecedor nome Tempo Id_data dia mês trimestre ano Produto Id_produto nome Id_fornecedor Vendas Id_data Id_endereço Id_produto Id_cliente Total_venda Un_vendidas Endereço Id_endereço rua codpostal Cliente Id_cliente nome Contribuinte Id_actividade Cidade codpostal localidade Actividade Id_actividade designação Modelação Dimensional Modelo de dados de um cubo multidimensional que permite aos utilizadores a análise da informação de diferentes perspectivas Dimensão 1 Dimensão 2 53

54 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional 395 Discos vendidos em Tomar no 1.º Trimestre Tempo 1.º Trimestre º Trimestre Tomar Santarém Covilhã º Trimestre Dimensões: Tempo; Produto; Localização 4.º Trimestre CD Tinteiro DVD WebCam Disco Indicadores: Quantidade vendida Produto Modelação Dimensional Drill - Down; Permite navegar de dados generalizados para dados mais detalhados. O objectivo é fornecer uma visão mais detalhada dos dados que estão a ser analisados; Tempo Tomar Santarém Covilhã Janeiro Fevereiro Março Abril Maio Junho Julho Agosto Setembro Outubro Novembro Dezembro Produto 54

55 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Roll - Up; Representa a operação oposta ao drill-down. Permite agregar os dados visualizados no cubo utilizando uma hierarquia. Cada repetição da análise ocorrerá a um nível mais elevado de agregação Tempo Santarém Castelo Branco º Trimestre º Trimestre º Trimestre º Trimestre CD Tinteiro DVD Webcam Produto Disco Modelação Dimensional Slice; O corte (slice) permite seleccionar um subconjunto de dados do cubo, sendo uma das dimensões do cubo limitada aos dados que obedecem a uma determinada condição Tempo = 1.º Trimestre Localização Tomar 950 Santarém 435 Covilhã Produto 55

56 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Dice; A redução (dice) permite definir um sub-cubo para o qual podem ser especificados critérios de selecção para duas ou mais dimensões; (Distrito = Santarém) E (Tempo = 1.º Trimestre) ou (Tempo = 2.º Trimestre) E (Produto = CD) ou (Produto = DVD) Tempo Santarém 1.º Trimestre º Trimestre CD DVD Produto Modelação Dimensional Considere-se o seguinte modelo em estrela: Valores (por marca) para o 1.º semestre registados em todas as lojas: 56

57 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Drill Down: Desagregação é apenas juntar mais cabeçalhos de linha das tabelas de dimensões (criando mais uma coluna que é um atributo de uma tabela dimensão) Agregação é apenas retirar cabeçalhos da linha; Modelação Dimensional Uma empresa grossista tem: 100 grandes superfícies de vendas (supermercado), espalhadas geograficamente por 3 distritos; Departamentos em cada superfície de vendas: Mercerias; Carne; Artigos de limpeza e higiene; Padaria; Aproximadamente produtos individuais nas prateleiras (unidades de stock armazenáveis USA) 57

58 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Pontos de entrada de informação no sistema operacional: Caixas (POS Point of Sale); Através dos códigos de barra ou entrada manual para códigos desconhecidos; Pontos de entrega de fornecedores; Apenas uma fracção dos armazéns regista as entregas em tempo real; Departamento de fornecedores e contas a pagar; O completo conhecimento do material que entrou no supermercado só é possível às vezes, por via dos pagamentos efectuados e inspecção directa; Modelação Dimensional Objectivos: Maximizar o lucro em cada supermercado: Cobrar o máximo possível em cada produto; Baixar os custos de aquisição dos produtos; Atrair o máximo número de clientes; Decisões mais significativas a tomar: Preços; Promoções (reduções temporárias de preços) Baixas de preços servem para atrair clientes mas a venda é feita com prejuízo e a promoção pode baixar as vendas de outros produtos similares; 58

59 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Granularidade dos dados: Analisar as compras dos clientes com base na informação recolhida nas caixas registadoras; Analisar que produtos são vendidos, em que lojas, em que dias e qual o efeito das promoções; Como pretendemos analisar o efeito das promoções e efectuar análises de associação de produtos comprados, é necessário considerar a granularidade mais baixa: Linha de factura, i.e, quantas unidades são vendidas e a que preço em cada venda; Modelação Dimensional A granularidade escolhida é chave para determinar os factos disponíveis. Numa linha de factura temos: Qtd: quantidade vendida em termos de unidades; Valor unitário; Valor total do item: Qtd * Valor unitário; Custo dos produtos vendidos. Em alguns sistemas de caixas é possível saber qual foi o preço a que aloja comprou o produto e portanto qual o custo (interno) dos produtos vendidos na transacção; 59

60 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Factos aditivos: Unidades vendidas do produto em questão (soma de todas as Qtd vendidas do produto); Valor das vendas do produto em questão (soma de todos os valores totais dos itens, apurado através de Qtd * valor unitário); Custo do produto em questão; Factos calculados e aditivos. Guardam-se ou calculam-se? Lucro = valor vendas custo; Factos calculados não aditivos. Calculam-se no fim. Margem de lucro = lucro/valor de venda Aggregar(Margem de lucro) = soma(lucro)/soma(valor de venda) Modelação Dimensional Escolha das dimensões: Uma linha de factura corresponde a uma venda de um produto realizada numa data, numa loja; Encontrar outras dimensões que podem ser associadas: Muitas vezes o produto é vendido ao abrigo de uma promoção; 60

61 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Dimensão Data: Qual a razão pela qual não se usa um atributo data directamente na tabela de factos? Porque o tamanho gasto para a representação da data (8 bytes) é maior do que o gasto para um inteiro (4 bytes); Porque queremos incluir atributos relativos ao tempo; Atributos da dimensão Data: coddata (inteiro); DiaSemana (Segunda, Terça,.,Domingo); DiaMês (1,,31) Dia da Semana / Mês Ambos permitem comparar as compras entre diferentes dias da semana ou do mês Modelação Dimensional Atributos da dimensão Data: feriadoflag, diasemanaflag, ultimodiamesflag (inteiro); Época (Natal, Páscoa, etc ); Permite a comparação entre dias especiais Evento (Jogo Liga dos Campeões, etc ) 61

62 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Atributos da Dimensão Produto: codproduto TamanhoEmbalagem Marca subcategoria Categoria Marca Modelação Dimensional Atributos da Dimensão Loja: codloja morada codpostal localidade freguesia concelho distrito; numempregados; dimensãodaloja; 62

63 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Dimensão Promoção: Descreve as condições sobre as quais decorreu uma promoção de um produto Reduções temporárias de preço; Coupons de desconto; Campanhas publicitárias; Painéis; Sem promoção; Modelação Dimensional Na dimensão Produção os gestores estão interessados em saber: Os produtos em promoção aumentaram as vendas durante a promoção? Depois da promoção houve uma baixa nas vendas que anulou os ganhos? Outros produtos similares ao produto em promoção, sofreram uma quebra nas vendas? Os produtos em promoção tiveram um aumento das vendas tendo o período anterior e posterior à promoção? A promoção foi rentável considerando os custos directos da promoção? 63

64 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Promoção codpromoção nomepromoção Cobertura Promoção codpromoção codproduto codloja coddata Factless Table Tabelas de factos, sem factos. Servem para contagem de eventos Sempre que um produto é vendido é registado na tabela corberturapromoção um registo do produto, com referência à promoção, dia e loja; Modelação Dimensional Podem ainda ser consideradas outras dimensionais adicionais: Cartão Cliente Deve existir um registo com uma chave para os que aderiram e outra para os que não aderiram; Controlo e análise dos operadores de caixas Juntar uma dimensão Tempo do Dia e Operador de Caixa. 64

65 Campos, Ricardo. (2008). Apresentação de. Data Modelação Dimensional Loja TempoDia codloja atributos Vendas CodLoja codtempodia atributos Produto codproduto atributos codproduto CodTempoDia CodCliente CodPromoção CartãoCliente codcliente atributos Cobertura Promoção codpromoção codproduto codloja coddata Promoção codpromoção atributos Tempo coddata CodOperador CodData UnidadesVendidas ValorVendas Custo Lucro Operador codoperador atributos atributos SQL Server Business Intelligence Development Studio Ricardo Campos 65

66 Campos, Ricardo. (2008). Apresentação de. Data SQL Server BI Development Studio O SQL Server, é um sistema completo de business intelligence, que oferece as funcionalidades, as ferramentas, e a capacidade para criar aplicações de análise quer clássicas, quer inovadoras. Integração e transformação dos dados; Análise, armazenamento e pesquisa dos dados; Report; SQL Server BI Development Studio O acesso ao SQL Server Business Intelligence Development Studio é feito através do menu Start Programs Microsoft Sql Server 2005; 66

67 Campos, Ricardo. (2008). Apresentação de. Data SQL Server BI Development Studio Criar um package ETL Criar um package ETL Criar um novo projecto de integração Adicionar e configurar uma conexão para um ficheiro; Adicionar e configurar uma conexão OLE DB; Adicionar e configurar o flat file source; Adicionar e configurar uma transformação lookup Adicionar e configurar um destino OLE DB 67

68 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Criar um novo projecto de integração File New Project Criar um package ETL Por defeito é criada esta página No Solution Explorer altere o nome de Package.dtsx para Lesson 1.dtsx 68

69 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Adicionar e configurar uma conexão para um ficheiro; Uma conexão para um flat file permite extrair dados de um ficheiro No ecrã que aparece Seleccionar Flat File Criar um package ETL Seleccione o ficheiro SampleCurrencyData.txt na directoria c:\program Files\Microsoft SQL Server\90\Samples\Integration Services\Tutorial\Creating a Simple ETL Package\Sample Data folder 69

70 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Carregue em Advanced. Defina os seguintes nomes. Coluna1 (Average Rate); Coluna 2 (CurrencyId), Coluna 3 (CurrencyDate); Coluna 4 (EndOfDayRate) Integration Services sugere automaticamente tipos de dados (baseado nas 100 primeiras linhas do ficheiro) Criar um package ETL Carregue em Advanced. Defina os seguintes nomes. Coluna1 (Average Rate); Coluna 2 (CurrencyId), Coluna 3 (CurrencyDate); Coluna 4 (EndOfDayRate) Coluna Flat File Tipo Sugerido Coluna de Destino Tipo de Destino Average Rate Float [DT_R4] FactCurrencyRate.AverageRate Float CurrencyID String [DT_STR] DimCurrency,CurrencyAlternateKey nchar(3) CurrencyDate Date [DT_DATE] DimTime.FullDateAlternateKey datetime EndOfDayRate Float [DT_R4] FactCurrencyRate.EndOfDayRate Float Os tipos de dados CurrencyID e CurrencyDate não são compatíveis com os tipos de dados das colunas de destino (as quais serão definidas mais tarde) 70

71 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Uma vez que DimCurrency,CurrencyAlternateKey é nchar(3), CurrencyID precisa ser alterada de String [DT_STR] para [DR_WSTR] Uma vez que DimTime.FullDateAlternateKey é datetime, CurrencyDate precisa ser alterada de [DT_DATE] para [DT_DBTIMESTAMP] Criar um package ETL Adicionar e configurar uma conexão OLE DB; Criaremos uma conexão OLE DB que usa o Windows Authentication para se conectar uma instância da base de dados AdventureWorksDW 71

72 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Clique em New Criar um package ETL Defina as propriedades de conexão à AdventureWorksDW 72

73 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Adicionar uma tarefa Data Flow Depois de termos criado as conexões para a source e para o destino a próxima tarefa é adicionar um Data Flow. O Data Flow permite transformar, limpar e modificar os dados que são movidos da origem para o destino. Uma tarefa data flow é onde a maior parte do trabalho ETL é feita Arraste para a área de desenho a Data Flow Task Criar um package ETL Adicionar e configurar o Flat File Source Um Flat File source é um componente data flow que usa a metadata definida pela conexão Flat File para especificar o formato e a estrutura dos dados a serem extraídos do flat file por um processo. Abra o data flow designer, clicando duas vezes em Ou Arraste para a área de desenho um Flat File Source 73

74 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Carregue agora duas vezes em: Clique em colunas e verifique que os nomes das colunas se encontram correctas: Criar um package ETL Adicionar e configurar uma transformação Lookup Definir as transformações lookup necessárias à obtenção dos valores para CurrencyKey e TimeKey Definiremos uma transformação lookup para a coluna CurrencyKey da tabela DimCurrency baseado na coluna CurrencyID do flat file; Definiremos uma transformação lookup para a coluna TimeKey da tabela DimTime baseado na coluna CurrencyDate do flat file; 74

75 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Arraste para a área de desenho um Lookup e altere o seu nome para Lookup Currency Key Clique no File Flat Source Extract Sample Currency Data e arraste a seta verde para a transformação lookup para ligar os dois componentes; Criar um package ETL Carregue agora duas vezes em: Certifique-se que a conexão definida diz respeito à AdventureWorksDW 75

76 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Seleccione a tab Columns e arraste CurrencyID para CurrencyAlternateKey. Seleccione CurrencyKey Criar um package ETL Arraste para a área de desenho um Lookup e altere o seu nome para Lookup Data Key Clique na transformação Lookup Currency Key e arraste a seta verde para a transformação Lookup Data Key para ligar os dois componentes; 76

77 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Carregue agora duas vezes em: Certifique-se que a conexão definida diz respeito à AdventureWorksDW Criar um package ETL Seleccione a tab Columns e arraste CurrencyDate para FullDateAlternateKey. Seleccione TimeKey 77

78 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Adicionar e configurar um destino OLE DB O sistema pode agora extrair dados do flat file source e transformá-los num formato compatível aceite no destino. O próximo passo é carregar no destino os dados transformados. Para isso adicione-se um OLE DB Destination; Arraste para a área de desenho um OLE DB Destination e altere o seu nome para Sample OLE DB Destination Clique na transformação Lookup Date Key e arraste a seta verde para o OLE DB Destination para ligar os dois componentes; Criar um package ETL Carregue agora duas vezes em: Certifique-se que a conexão definida diz respeito à AdventureWorksDW 78

79 Campos, Ricardo. (2008). Apresentação de. Data Criar um package ETL Carregue em Mapprings e certifique-se que as colunas estão mapeadas correctamente nas colunas de destino Criar um package ETL Para fazer o carregamento, basta ir ao menu Debug Start Debugging e o sistema coloca na FactCurrency table da base de dados AdventureWorksDW 1097 linhas 79

80 Campos, Ricardo. (2008). Apresentação de. Data Definir um Data Source Definir um Data Source Criar um Analysis Service Project; Definir a base de dados Adventure Work DW como Data Source; Definir um Data Source View Modificar os nomes das tabelas Definir um Data Source Criar um Analysis Service Project; Feche a Start Page 80

81 Campos, Ricardo. (2008). Apresentação de. Data Definir um Data Source Definir um Data Source 81

82 Campos, Ricardo. (2008). Apresentação de. Data Definir um Data Source Definir um Data Source Vamos considerar uma empresa fictícia, a Adventure Works Cycles que comercializa bicicletas de todo o terreno; A empresa produz e vende bicicletas para o América do Norte, Europa e Ásia. A sua base de operações situa-se em Bothell (Washinghton) onde trabaham 290 colaboradores; Em 2000, a Adventure Works Cycles comprou uma pequena empresa (Importadores Neptuno) no México que produzia subcomponentes para a linha de produção da Adventure Works. Em 2001, a Importadores Neptuno, tornou-sea principal produtora e distribuidora de bicicletas do grupo. Definir um Data Source A empresa pretende expandir o seu mercado, oferecendo descontos aos melhores clientes, reduzir os custos de produção e abrir um novo canal de vendas através do desenvolvimento de um web site; A empresa tem dois tipos de clientes: Individuais; Lojas; 82

83 Campos, Ricardo. (2008). Apresentação de. Data Definir um Data Source Existem duas bases de dados que acompanham o SQL Server: Adventure Works (base de dados OLTP); Adventure WorksDW (base de dados Data Warehouse) Nos passos seguintes vamos definir a AdventureWorksDW como a base de dados do nosso projecto; Carregue em Next; Definir um Data Source Clique em New 83

84 Campos, Ricardo. (2008). Apresentação de. Data Definir um Data Source Defina as propriedades de conexão à AdventureWorksDW Definir um Data Source Definir as propriedades de acesso: 84

85 Campos, Ricardo. (2008). Apresentação de. Data Definir um Data Source Última janela do assistente: Definir um Data Source Adventure Works Dw 85

86 Campos, Ricardo. (2008). Apresentação de. Data Definir um Data Source Definir um Data Source View Depois de definirmos as data sources que alimentam o nosso projecto é importante definir uma data source view para a criação do Data Mart; Nos passos seguintes vamos definir uma data source view que inclui 5 tabelas da data source AdventureWorksDW Clique em Next. Clique novamente em Next; Definir um Data Source Neste passo é possível seleccionar tabelas e views pertencentes à Data Source: 86

87 Campos, Ricardo. (2008). Apresentação de. Data Definir um Data Source Seleccione as seguintes tabelas: DimCustomer; DimGeography; DimProduct; DimTime; FactInternetSales; Definir um Data Source O Designer contém os seguintes elementos: 87

88 Campos, Ricardo. (2008). Apresentação de. Data Definir um Data Source Na parte centrar é possível carregar no zoom para as tabelas no diagrama a 50% Definir um Data Source Modificar os nomes das tabelas É possível alterar o nome das tabelas para nomes para amigáveis. Nos passos seguintes vamos remover os prefixos dim e fact das tabelas: 88

89 Campos, Ricardo. (2008). Apresentação de. Data Definir um Data Source Definir e Desenvolver um Cubo Definir e Desenvolver um Cubo Definir um cubo; Rever o cubo e as propriedades da dimensão; Desenvolver um projecto Analysis Service; Navegar no Cubo; 89

90 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Definir um cubo No SQL Server é fácil definir um cubo através da definição de medidas e dimensões (baseado nas tabelas de factos e dimensões). Quando se define um cubo baseado numa data source, o assistente conecta à respectiva base de dados; Nos passos seguintes utilizaremos o assistente de cubos para construir um cubo baseado na AdventureWorksDW. Utilizaremos a opção Auto Build para criar automaticamente atributos e definir hierarquias. Designaremos também uma dimensão Tempo; Clique em Next. Definir e Desenvolver um Cubo Certifique-se que a opção Auto Build se encontra seleccionada: 90

91 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Verifique que a AdventureWorksDW se encontra seleccionada: Definir e Desenvolver um Cubo O sistema analisa as relações entre as tabelas para identificar tabelas de factos e dimensões. 91

92 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo O assistente identifica quatro tabelas de dimensões e uma tabela de factos. Cada tabela de dimensão encontra-se ligada à tabela de factos através de uma chave (Start Schema): Definir e Desenvolver um Cubo Seleccione Time e clique Next: 92

93 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Associe propriedades de tempo às colunas e clique em Next: Definir e Desenvolver um Cubo O Assistente selecciona como medida todos os valores numéricos da tabela de factos que não estão ligados às dimensões. Vamos retirar as seguintes medidas: Promotion Key; Currency Key; Sales Key; Revision Number; 93

94 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Uma vez seleccionado o Auto Build o sistema procurar por hierarquias (relações 1 N, por exemplo entre cidade e distrito) nas dimensões: Definir e Desenvolver um Cubo Reveja a estrutura e expanda a dimensão Produto, desmarcando a opção de Large Photo que não é útil neste projecto: 94

95 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Altere o nome do cubo para Analysis Services Tutorial: Aparecem 3 dimensões relativas ao tempo (Due Date, Order Date e Ship Date), uma que (recordando) existem 3 relações entre a tabela tempo e a tabela de factos. Definir e Desenvolver um Cubo O Data Source View fica acessível noutra janela: 95

96 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Rever o cubo e as propriedades da dimensão; Nos próximos passos vamos rever a estrutura do cubo para entender as propriedades das dimensões do cubo. No Designer do Cubo podemos ver e editar as propriedades do cubo: Modificar a estrutura do cubo; Definir as relações entre as dimensões e os grupos de medidas e a granularidade de cada dimensão dentro do grupo de medidas; Definir novos cálculos os quais permitem definir novas medidas baseado em valores existentes; Definir e Desenvolver um Cubo Editar e modificar os KPIs de um cubo. Os KPIs permitem determinar rapidamente informação útil acerca de um valor (ex: o valor definido excede ou falha o objectivo); Criar ou modificar operações de Drill; As partições permitem guardar secções de um cubo em diferentes localizações; Uma perspectiva é um subconjunto de um cubo e é usada para reduzir a complexidade do cubo; Visualização; 96

97 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo O grupo das medidas chama-se Internet Sales porque a tabela de factos no Data Source View tinha o nome InternetSales; Definir e Desenvolver um Cubo Apesar de apenas 3 dimensões terem sido criadas, há 5 dimensões no cubo, porque a dimensão Tempo da base de dados, é usada como base para 3 dimensões de tempo do cubo. Essas 3 dimensões permitem aos utilizadores dimensionar o cubo por 3 factos separados que estão relacionados com a venda de cada produto: order date; due date e ship date; Expanda a dimensão Customer e carregue em Edit 97

98 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Definir e Desenvolver um Cubo Desenvolver um projecto Analysis Service; Para ver os dados que se encontram no cubo do Analysis Service Tutorial no projecto do Analysis Service Tutorial é necessário desenvolver um projecto para especificar uma instancia do Analysis Services. 98

99 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Para o caso de retornar um erro acerca da ImpersonationInfo Account.deve clicar-se no datasource AdventureWorksDW.ds e seleccionar a tab ImpersionationInformation e a opção User the service account Definir e Desenvolver um Cubo Uma vez resolvido o problema voltar a executar o comando: 99

100 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Navegar no Cubo; Nos próximos passos navegaremos no cubo Analysis Services Tutorial e em cada uma das suas dimensões. Edite a dimensão Customer: Seleccione a tab Browser; Definir e Desenvolver um Cubo Observe-se que estamos a analisar os clientes pela hierarquia de Geografia: 100

101 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Depois seleccione-se por English Country Region Name: Definir e Desenvolver um Cubo Seleccione-se agora a dimensão Time (directamente no Solution Explorer) 101

102 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Seleccione-se a tab browser e observe os dados com recurso à hierarquia CalendarYear - CalendarSemester - CalendarQuarter - EnglishMonthName FullDateAlternateKey: Definir e Desenvolver um Cubo Seleccione agora o Analysis Service Cube e a tab Browser 102

103 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Na área de Metadata expanda Measures Internet Sales. Arraste a medida Sales Amount para a área de Data (Drop Totals or Detail Fields Here); Na área de Metadata expanda Customer. Arraste o atributo English Country Region Name para a área de Data (Drop Row Fields Here) Definir e Desenvolver um Cubo Na área de Metadata expanda agora Produto. Arraste o atributo Product Line para a área de Data (Drop Columns Field Here); 103

104 Campos, Ricardo. (2008). Apresentação de. Data Definir e Desenvolver um Cubo Na área de Metadata expanda agora Order Date. Arraste o atributo Order Date.Calendar Quarter para a área de Data (Drop Filter Fields Here); Definir e Desenvolver um Cubo Na área de Metadata expanda agora Order Date.Calendar Year e depois expanda Calendar Year. Seleccione o ano de 2002 e arraste para o filtro. 104

105 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Modificar medidas, atributos e hierarquias Modificar medidas; Modificar a dimensão customer; Modificar a dimensão tempo; Modificar a dimensão produto; Observar as modificações no Cube Designer; Modificar medidas, atributos e hierarquias Modificar medidas É possível tornar a aplicação mais agradável se formatarmos algumas medidas Na tab Cube Structure do Cube Designer: 105

106 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Modificar medidas, atributos e hierarquias Seleccione as seguintes medidas: 106

107 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Seleccione nas propriedades em FormatString o formato Currency Na lista das propriedades seleccione Unit Price Discount Pct e posteriormente seleccione Percent no FormatString Modificar medidas, atributos e hierarquias Modifique o nome para Unit Price Discount Percentage: 107

108 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias No painel das medidas modifique o nome da medida Tax Amt para Tax Amount: Para voltar ao painel inicial: Modificar medidas, atributos e hierarquias No menu Build, clique Deploy Analysis Service Tutorial. Seleccione a tab Browser: Adicione à área de dados a medida Order Quantity 108

109 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Modificar a dimensão customer; Nos próximos passos vamos modificar alguns atributos da dimensão customer. Começamos por eliminar os seguintes atributos: Modificar medidas, atributos e hierarquias Modifique os seguintes nomes: English Country Region Name Contry-Region; English Education Education; English Occupation Occupation; State Province Name State-Province 109

110 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Modifique o nome da hierarquia State Province Name Dim Geography para Customer Geography Modificar medidas, atributos e hierarquias Arraste o atributo Country-Region para a hierarquia Customer Geography, para cima do State Province Name. A hierarquia passa agora a ter um nível countryregion. Aproveite para modificar na hierarquia o nome para State-Province: 110

111 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Elimine Geography na hierarquia e arraste City para cima de Customer. Se quisermos fazer um browse na dimensão, convém primeiro fazer um build do projecto e depois na tab de browser fazer um reconnect para a hierarquia ser actualizada. Modificar medidas, atributos e hierarquias Acrescentar agora um campo de cálculo. No designer do Data Source View: Acrescentar agora um campo de cálculo. No designer do Data Source View: Os nomes são concatenados numa única coluna que será depois usada na dimensão customer. Na tabela aparece a coluna com este icon: 111

112 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Tente explorar os dados: Para ver o resultado final: Modificar medidas, atributos e hierarquias Seleccione o atributo Customer: Nas propriedades seleccione o nome para Full Name: 112

113 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias No ColumnID seleccione FullName: Da próxima vez que fizermos um browser da dimensão, ao invés de aparecer o (campo que anteriormente estava como ID), já vai aparecer o nome completo do cliente. Não esquecer de fazer o Build e processar na dimensão e no browser, bem como refresh; Modificar medidas, atributos e hierarquias No data Source View arraste da tabela Customer a coluna Address para a Customer Dimension; Seleccione os seguintes atributos: E no AtributeHierarchyDisplayF older colocar Location: 113

114 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Seleccione Customer Geography e na propriedade Display Folder colocar Location Modificar medidas, atributos e hierarquias Seleccione os seguintes atributos: E no AtributeHierarchyDisplayF older colocar Location: 114

115 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Seleccione os seguintes atributos: E no AtributeHierarchyDisplayF older colocar Location: Modificar medidas, atributos e hierarquias Se agora formos ao cubo designer, fizermos o process e o reconnect, podemos observar que os atributos estão agrupados em pastas, tornando-se a leitura mais amigável: 115

116 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Modificar a dimensão tempo; Seleccione a dimensão Tempo. Em Hierarchies alterar o nome abaixo seleccionado para Calendar Time: Modifique também os nomes para: Modificar medidas, atributos e hierarquias O script extrai o ano, o mês e o dia da coluna FullDateAlternateKey 116

117 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Eliminar dos atributos o FullDateAlternateKey; Modificar medidas, atributos e hierarquias Faça-se Deploy do projecto e observe-se em browser que o aspecto já é mais amigável: 117

118 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Considerar a criação de um novo campo calculado, que concatene o mês e ano para cada mês da tabela Time: Modificar medidas, atributos e hierarquias Considerar a criação de um novo campo calculado, que concatene o trimestre e ano para cada trimestre da tabela Time: 118

119 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Considerar a criação de um novo campo calculado, que concatene o semestre e ano para cada semestre da tabela Time: Modificar medidas, atributos e hierarquias Seleccione agora a tab Dimension Strucutre do Dimension Designer da dimensão Time Fazer o mesmo para CalendarQuarter (CalendarQuarterDesc) e CalendarSemester (CalendarSemesterDesc) 119

120 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Build Deploy. Ir até ao browser e fazer reconnect; Modificar medidas, atributos e hierarquias Modificar a dimensão produto; 120

121 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Apagar os seguintes atributos: Modificar medidas, atributos e hierarquias Mostra o nome do produto na totalidade: 121

122 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Seleccione o atributo Product Line e altere as suas propriedades: Seleccione agora o atributo hierárquico Product, altere o seu nome para Product Name e altere também as suas propriedades: Modificar medidas, atributos e hierarquias Arraste o atributo Product Line para as hierarquias. Automaticamente é criada uma nova hierarquia com o nome (por defeito) Hierarchy: Altere esse nome para Product Model Lines; Arraste o atributo Model Name para hierarquia, para de baixo de Product Line Arraste o atributo Product Name para hierarquia, para de baixo do anterior; 122

123 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Seleccione os seguintes atributos: Modificar medidas, atributos e hierarquias Seleccione os seguintes atributos: 123

124 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Seleccione os seguintes atributos: Modificar medidas, atributos e hierarquias Build Deploy. Ir até ao browser e fazer reconnect; 124

125 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Observar as modificações no Cube Designer; Seleccionar o browser no cube designer. Adicione à área de dados a medida Sales Amount Na área de metada expanda Product e arraste a hierarquia Product Model Lines para a área de Data (Drop Columns Field Here) Depois expanda o membro Road: Modificar medidas, atributos e hierarquias Na área de metada expanda Customer e Location. Arraste a hierarquia Customer Geography para a área de Data (Drop Row Fields Here) Expanda a linha relativa ao Estados Unidos 125

126 Campos, Ricardo. (2008). Apresentação de. Data Modificar medidas, atributos e hierarquias Expanda por Oregon para podermos visualizar os resultados de todas as cidades pertencentes ao estado de Oregon: Modificar medidas, atributos e hierarquias As vendas de internet (Internet Sales) por região e product line para o mês de Fevereiro de 2002 aparecem assim: 126

127 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Definir atributos avançados e propriedades das dimensões Usar uma versão modificada do projecto Analysis Service Tutorial Definir propriedades nos atributos, numa dimensão Parent-Child Agrupar membros de atributos; Esconder e desabilitar atributos nas hierarquias; Ordenar atributos baseado em atributos secundários; Definir membros desconhecidos Definir atributos avançados e propriedades das dimensões Usar uma versão modificada do projecto Analysis Service Tutorial Vamos agora fechar o projecto em que temos andado a trabalhar e considerar uma versão mais avançada. File Open Project Solution; Navegar até C:\Program Files\Microsoft SQL Server\90\Samples\Analysis Services\Tutorials\Lesson4 e seleccionar o Analysis Service Tutorial.sln Se o tutorial ainda não estiver instalado: 127

128 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Depois de o projecto se encontrar aberto, fazer Build e Deploy; Entender as alterações: O data source view neste projecto contém mais uma tabela de factos e 4 dimensões provenientes da base de dados AdventureWorksDW Definir atributos avançados e propriedades das dimensões Observe-se que as tabelas (para melhor entendimento) encontram-se organizadas em dois diagramas: Internet Sales e o Reseller Sales; O diagrama Internet Sales contém as tabelas que estão relacionadas com a venda de produtos da Adventure Works directamente através da Internet. As tabelas são as consideradas anteriormente: DimGeography DimCustomer; DimTime; DimProduct; FactInternetSales; 128

129 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões O diagrama Reseller Sales contém as tabelas que estão relacionadas com a venda de produtos da Adventure Works através de revendedores. As tabelas são: DimReseller; DimPromotion; DimSalesTerritory; DimGeography DimTime; DimProduct; DimEmployee FactResellerSales; Observe-se que DimGeography, DimTime e DimProduct são as mesmas tabelas usadas no diagrama InternetSales Definir atributos avançados e propriedades das dimensões O cubo designer contém agora 2 grupos de medidas baseados na tabela InternetSales e ResellerSales 129

130 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Definir propriedades nos atributos, numa dimensão Parent-Child No solution explorer carregue na dimensão Employee e em browser; Observe-se que Amy E.Alberts é subordinado de Brian Welckler e que o manager principal é Ken J. Sanchez Definir atributos avançados e propriedades das dimensões No solution explorer seleccione o cubo e posteriormente o browser: Na metadata expanda Measures Reseller Sales e adicione à área de Data o atributo Reseller Sales Sales Amount Na metadata expanda Employee e arraste a hierarquia Employees para a área de Data (Drop Row Fields Here) 130

131 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Expanda os nomes dos empregados até chegar ao nível 5: Definir atributos avançados e propriedades das dimensões Seleccione o atributo hierárquico Employees Seleccione a propriedade NamingTemplate 131

132 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Isto vai permitir renomear os níveis. Ver figura no slide seguinte: Definir atributos avançados e propriedades das dimensões Build Deploy e ir até ao Cubo Designer (Browser e Reconnect); 132

133 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Agrupar membros de atributos; No data source view: Observe-se a gama de valores para a coluna YearlyIncome Definir atributos avançados e propriedades das dimensões Na dimensão Customer (em customer structure) seleccione o atributo yearly income e considere a seguinte propriedade: A propriedade DiscretizationMethod determina se o Analysis Services forma algum grupo. Por defeito o Analysis Services não o faz. Ao colocarmos automático, ele vai determinar de acordo com o atributo qual o melhor grupo Alterando o valor da DiscretizationBucketCount para 5; 133

134 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Na dimensão Employee (no data source view) observe agora os valores das colunas SickLeaveHours e VacationHours. Feche esta tab Na dimensão Employee (no designer, dimension structure) seleccione o campo SickLeaveHours e a propriedade DiscretizationMethod para clusters e BucketCount para 5: Seleccione agora o campo VacationHours e considere as propriedades: Ao especificarmos Cluster e EqualAreas em vez de automatic, estamos a informar o Analysis Services sobre qual o tipo de agrupamento que pretendemos; Definir atributos avançados e propriedades das dimensões Build Deploy. Vá até ao Cubo (browser e reconnect) Arraste para a área de Data a medida Reseller Sales Sales Amount; Na metadata expanda a dimensão Product e arraste a hierarquia Product Model Lines para a área de Data (Drop Row Fields Here) Na metadata expanda a dimensão Customer e a pasta Demographic e arraste Yearly Income para a área de Data (Drop Column Fields Here). Observe-se que os valores se encontram agrupados em 6 grupos: 134

135 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Remova o atributo Yearly Income Na metadata expanda a dimensão Employee, expanda Organization e arraste SickLeaveHours para a área de Data (Drop Columns Fields Here) Observe-se que as vendas são realizadas por vendedores pertencentes a 2 grupos Definir atributos avançados e propriedades das dimensões Se quiser ver os 3 grupos que não fizeram vendas, faça botão direito na área de Data: Remova Sick Leave Hours e faça o mesmo para VacationHours; 135

136 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Altere agora a propriedade DiscretizationBucketCount de Vacation Hours para 10 e observe as diferenças. Não se esqueça de fazer build deploy, etc Definir atributos avançados e propriedades das dimensões Esconder e desabilitar atributos nas hierarquias; Por defeito o SQL Server Analysis Server, cria sempre um atributo hierarquia para todos os atributos das dimensões, tornando-os disponíveis para dimensionar a tabela de factos. Acontece que existem alguns atributos que não faz muito sentido estarem disponíveis em termos de análise. Vá ao Dimension Designer, à dimensão Employee e a browser 136

137 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Verifique que os atributos Base Rate, Birth Date, Login ID, Manager SSN e SSN encontram-se disponíveis. Vá à Dimension Structure tab e seleccione esses atributos; Defina a seguinte propriedade e observe que os atributos deixam de estar acessíveis Definir atributos avançados e propriedades das dimensões Faça Build Deploy e observe que os atributos já não estão acessíveis: 137

138 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Ordenar atributos baseado em atributos secundários; Observe que a propriedade OrderBy da atributo MonthName da dimensão Time tem o valor Key, o que provoca que os meses não apareçam depois ordenados: Definir atributos avançados e propriedades das dimensões Para resolvermos isso, ordenaremos os meses do atributo hierárquico baseado num novo atributo: MonthNumberOfYear, que convenientemente já existe na tabela da dimensão tempo; NO Dimension Designer no tab Data Source View, seleccione o atributo MonthNumberOfYear: 138

139 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Automaticamente o atributo é adicionado. Coloque as propriedades AttributeHierarchyEnabled e AttributeHierarchyOrdered para False Nos atributos expanda a Data e Month Name Arraste os atributo Month Number of Year para debaixo do atributo Month Name; Desta forma definimos uma nova relação entre os dois atributos. Altere a propriedade RelathionShip Type do Month Number of Year para Rigid (mesmo se a dimensão for actualizada, isto não será sobrescrito) Definir atributos avançados e propriedades das dimensões Agora seleccione o atributo Month Name e especifique as propriedades: Faça Build, etc e observe-se que os valores já aparecem ordenados em termos de mês 139

140 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Observe outro problema semelhante na dimensão Customer na hierarquia Commute Distance: Definir atributos avançados e propriedades das dimensões NO Dimension Designer no tab Data Source View, seleccione o atributo CommuteDistanceSort. 140

141 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Automaticamente o atributo é adicionado. Coloque as propriedades AttributeHierarchyEnabled e AttributeHierarchyOrdered para False Nos atributos expanda Commute Distance Arraste o atributo CommuteDistanceSort para debaixo de Commute Distance. Não se esqueça de colocar a Relatioship Type a Rigid Agora seleccione o atributo Commute Distance e especifique as propriedades: Definir atributos avançados e propriedades das dimensões Faça Build, etc e observe-se que os valores já aparecem ordenados: 141

142 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Definir membros desconhecidos Vá até ao Designer Data Source View e seleccione Reseller Sales no Diagram Organizer. Depois vá ao menu Data Source View e seleccione Add/Remove Tables Definir atributos avançados e propriedades das dimensões Seleccione DimProduct e clique em Add Related Tables; Automaticamente é adicionada a DimProductSubCategory 142

143 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Seleccione agora a DimProductSubCategory e clique em Add Related Tables; Automaticamente é adicionada a DimProductCategory; Definir atributos avançados e propriedades das dimensões Vá até ao Dimension Designer na dimensão Product e com o botão direito do rato em data source view: Na zona dos atributos modifique este atributo para Category; 143

144 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Na propriedade ColumnName carregue em New e especifique: Definir atributos avançados e propriedades das dimensões Na zona dos atributos modifique este atributo para SubCategory; Na propriedade ColumnName carregue em New e especifique: 144

145 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Crie uma nova hierarquia nesta ordem Category SubCategory e Product Name Especifique a seguinte propriedade: Definir atributos avançados e propriedades das dimensões Por defeito quando fazemos o Build, o SQL Server Analysis Server remove os produtos que não têm valor na coluna ProductSubCategoryKey 145

146 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Se formos a browser e clicarmos na lista de hierarquias em Product Model Lines, tem o seguinte efeito: Definir atributos avançados e propriedades das dimensões Para resolver isso, vamos ao Dimension Structure da dimensão Product e defina as seguintes propriedades na dimensão Product Expanda SubCateogry. Arraste o atributo Category que se encontra dentro de Product Name para dentro de SubCategory Seleccione agora SubCategory e a propriedade KeyColumns 146

147 Campos, Ricardo. (2008). Apresentação de. Data Definir atributos avançados e propriedades das dimensões Coloque o NullProcessing com o seguinte valor: Fazer o mesmo para o ModelName. Faça Build, etc e observem que já não existem nulos; Definir relações entre dimensões e grupos de medidas Definir relações entre dimensões e grupos de medidas Definir uma relação referenciada Definir uma dimensão de factos; 147

148 Campos, Ricardo. (2008). Apresentação de. Data Definir relações entre dimensões e grupos de medidas Definir uma relação referenciada A maioria dos cubos definidos é através de uma relação com a tabela de factos. Na lição 3 e 4 incluímos no entanto atributos de uma tabela que não estavam directamente relacionados com a tabela de factos (chamada de snowflake). Por exemplo na lição 3, adicionamos atributos da tabela DimGeography à dimensão Customer. Os atributos da tabela DimGeograpphy encontram-se ligados à tabela de factos por intermédio da tabela Customer. Através desta dimensão é possível definir a hierarquia Customer Geography e analisar a dimensão Customer por Geography. De seguida vamos ligar a dimensão Geography à tabela de factos através da dimensão Reseller Definir relações entre dimensões e grupos de medidas No solution Explorer abra o Cubo Designer e vá até browser. Arraste a medida Reseller Sales Sales Amount e a hierarquia Geography (pertencente a Geography) para a área de data (Drop Row Fields Here) Abra agora o Data SOurce View para a AdventureWorksDW. Seleccione no Diagram Organizer Reseller Sales. Observe a relação entre DimGeography e FactResellerSales. Não existe nenhuma ligação directa, mas existe uma ligação indirecta através de outras tabelas; 148

149 Campos, Ricardo. (2008). Apresentação de. Data Definir relações entre dimensões e grupos de medidas Observe que a dimensão Geopgraphy não tem actualmente nenhuma relação com o grupo de medidas Internet Sales nem com o Reseller Sales; Definir relações entre dimensões e grupos de medidas Clique: 149

150 Campos, Ricardo. (2008). Apresentação de. Data Definir relações entre dimensões e grupos de medidas Observe-se que a relação é uma relação regular que é feita por intermédio das chaves estrangeiras Definir relações entre dimensões e grupos de medidas Clique: 150

151 Campos, Ricardo. (2008). Apresentação de. Data Definir relações entre dimensões e grupos de medidas Observe-se que não há nenhuma relação definida, nem sequer pode ser definida uma relação regular, uma vez que não existem campos a ligar as tabelas Seleccione uma relação do tipo Referenced, indicando uma relação intermediária (Reseller) que permite fazer a ligação; Seleccione a chave Geography Key e tente fazer o mesmo na relação intermediária. Não vai conseguir porque a Geography Key é definida como atributo na dimensão Reseller. Teremos que resolver o problema de outra forma Definir relações entre dimensões e grupos de medidas No DimensionDesigner da dimensão Reseller observe ao campos em data source view e na zona de atributos Observe que não obstante a tabela ter o atributo GeographyKey o mesmo não existe como atributo na dimensão Reseller; 151

152 Campos, Ricardo. (2008). Apresentação de. Data Definir relações entre dimensões e grupos de medidas Adicione-se o atributo GeographyKey e depois atribua-se as características de AttributeHierarchyOrder (False) e AttributeHierarchyVisible (false) Definir relações entre dimensões e grupos de medidas 152

153 Campos, Ricardo. (2008). Apresentação de. Data Definir relações entre dimensões e grupos de medidas Note-se que agora já temos as tabelas ligadas. Altere também o nome (na figura abaixo já se encontra alterado) de Geography para Reseller Geography: Definir relações entre dimensões e grupos de medidas Build, etc.arraste-se Reseller Sales Sales Amount para a área de data e o atributo Geography da dimensão Reseller Geography para á area de Data (Row Field). Observe-se a figura que tinhamos anteriormente e a que temos agora em virtude de termos definido a relação: 153

154 Campos, Ricardo. (2008). Apresentação de. Data Definir relações entre dimensões e grupos de medidas Definir uma dimensão de factos; Por vezes é necessário que algumas medidas que se encontram na tabela de factos se tornem atributos de dimensão, tal como número de facturas, etc Quando se define uma dimensão baseado numa tabela de factos, a dimensão é chamada de dimensão de factos. Dimensões de factos, são úteis para juntar várias linhas que estão relacionadas por exemplo a um número de factura. Apesar de se poder construir uma tabela de dimensão para esse fim..tal não faz sentido Definir relações entre dimensões e grupos de medidas No Cubo Designer na parte das dimensões: Clicar em Nova Dimensão e clicar depois em Next 154

155 Campos, Ricardo. (2008). Apresentação de. Data Definir relações entre dimensões e grupos de medidas Definir relações entre dimensões e grupos de medidas 155

156 Campos, Ricardo. (2008). Apresentação de. Data Definir relações entre dimensões e grupos de medidas Definir relações entre dimensões e grupos de medidas No passo seguinte não seleccione nenhuma tabela e clique next; No passo seguinte desmarque todas as selecções e considere apenas Customer PO Number: 156

157 Campos, Ricardo. (2008). Apresentação de. Data Definir relações entre dimensões e grupos de medidas Antes de finalizar, alterar o nome para Internet Sales Orders Details; Depois no Dimension Designer, seleccionar o atributo Internet Sales e alterar a propriedade Name para Item Description; Na propriedade Name Column, seleccionar Product como source table e EnglishProductName como source column; Definir relações entre dimensões e grupos de medidas Modifique a propriedade Name de Sales Order Number para Order Number No Cubo Designer na DImension Usage Indica que é uma dimensão de factos 157

158 Campos, Ricardo. (2008). Apresentação de. Data Definir relações entre dimensões e grupos de medidas Build, etc..coloque na área de data a medida Internet Sales Sales Amount; Expanda Customer Location Customer Geography Members All Customers Australia Queensland Brisbane Adam Powel e com o botºao direito do rato seleccione Add to SUbCube area. Arraste a hierarquia InternetSalesOrder da dimensão Internet Sales Order Detail para a row area: Definir KPIs Definir KPIs Na definição de um KPI atribui-se um nome ao KPI e um grupo de medidas. Os elementos de KPIs são os seguintes: Value Expression A Value Expression é uma medida (por exemplo total de vendas, lucros, etc ) Goal Expression Valor que define o objectivo a ser atingido (este valor pode ser por exemplo o valor que a empresa queira atingir nas vendas). 158

159 Campos, Ricardo. (2008). Apresentação de. Data Definir KPIs Status Expression Uma expressão que avalia o valor da Value Expression com o valor do Goal Expression, como um valor normalizado numa gama que varia de -1 a é muito mau +1 é muito bom Trend Expression Uma expressão que avalia o crescimento do valor da Value Expression comparativamente ao valor do Goal Expression. Esta expressão ajuda os gestores a determinarem se a value expression está a crescer ou a decrescer relativamente às expectativas (Goal expression) Definir KPIs 159

160 Campos, Ricardo. (2008). Apresentação de. Data Definir KPIs Definir KPIs Na Value Expression colocar [Measures].[Sales Amount] Na Goal Expression colocar [Measures].[Total Product Cost] * 2 160

161 Campos, Ricardo. (2008). Apresentação de. Data Definir KPIs De seguida seleccionar o browsing Definir KPIs 161

162 Campos, Ricardo. (2008). Apresentação de. Data SQL Server Business Intelligence Development Studio Exercício Prático Ricardo Campos Instituto Politécnico de Tomar Escola Superior de Gestão de Tomar Área Interdepartamental de Tecnologias de Informação e Comunicação Gestão Financeira Enunciado Desenvolva um modelo de Entidade e Relacionamento que permita registar a atribuição de crédito (para aquisição de diversos tipos de bens) por parte de uma dada entidade bancária aos seus clientes. Considere as seguintes informações: O cliente é identificado por um número e tem como atributos o NIF, o nome, o rendimento bruto, o número de filhos e a idade. Adicionalmente o cliente tem associado um determinado estatuto, estado civil e crédito de habitação. O cliente pode ter vários empréstimos atribuídos, mas cada empréstimo está apenas associado a um único cliente. Os atributos da entidade empréstimo são o valor do crédito e o valor da prestação. Adicionalmente deveremos considerar o tipo de bem financiado, o tipo de contrato, a duração, o tipo de pagamento e a situação 162

163 Campos, Ricardo. (2008). Apresentação de. Data Modelo E-R TipoEstadoCivil 1 1 TipoBemFinanciado 1 TipoContrato TipoEstatuto 1 TipoCréditoHabitação 1 N N Cliente N 1 N N N Empréstimo N N N 1 TipoDuracao 1 TipoPagamento 1 TipoSituacao No SQL Server Management Studio implemente a base de dados Banco e defina o modelo Relacional proveniente do modelo Entidade e Relacionamento desenvolvido na pergunta anterior. 163

164 Campos, Ricardo. (2008). Apresentação de. Data Modelo Relacional TipoEstatuto CodEstatuto Estatuto TipoBemFinanciado CodBemFinanciado BemFinanciado TipoEstadoCivil CodEstadoCivil EstadoCivil TipoCreditoHabitacao CodCreditoHabitacao CreditoHabitacao Clientes CodCliente NIF Nome NumFilhos Idade CodEstatuto CodEstadoCivil CodCreditoHabit Emprestimos numemprestimo ValorCredito ValorPrestacao CodCliente CodBemFinanciado CodTipoContrato CodTipoDuracao CodTipoPagamento CodTipoSituacao TipoContrato CodTipoContrato TipoContrato TipoDuracao CodDuracao Duracao TipoPagamento CodPagamento Pagamento TipoSituacao CodTipoSituacao TipoSituacao Defina o Database Diagram (não se esqueça de interligar as tabelas entre si) Insira vários registos em cada uma das tabelas; 164

165 Campos, Ricardo. (2008). Apresentação de. Data Enunciado Pretende-se agora que desenvolva uma estrutura multidimensional (star schema) com base nos seguintes pressupostos: O processo de negócio a analisar está associado aos financiamentos concedidos pela instituição aos seus clientes; Pretende-se analisar os financiamentos (valor do crédito), analisar a quem foram concedidos, verificar que bem foi financiado, identificar a regularidade adoptada para o pagamento, verificar que tipo de contrato foi celebrado com o cliente, verificar qual a duração do contrato, identificar a situação do cliente perante a instituição Modelo Multidimensional (Start Schema) Cliente 1 1 TipoContrato TipoBemFinanciado 1 N N N N Financiamentos N N 1 TipoDuracao TipoPagamento 1 1 TipoSituacao 165

166 Campos, Ricardo. (2008). Apresentação de. Data No SQL Server Management Studio implemente a base de dados BancoDW e defina o modelo Relacional proveniente do modelo Entidade e Relacionamento desenvolvido na pergunta anterior. Modelo Relacional Clientes CodCliente Nome NumFilhos Idade Estatuto CreditoHabitacao EstadoCivil TipoBemFinanciado CodBemFinanciado BemFinanciado Financiamentos CodCliente CodBemFinanciado CodTipoContrato CodDuracao CodPagamento CodTipoSituacao ValorCredito TipoContrato CodTipoContrato TipoContrato TipoDuracao CodDuracao Duracao TipoPagamento CodTipoPagamento Pagamento TipoSituacao CodTipoSituacao Situacao 166

167 Campos, Ricardo. (2008). Apresentação de. Data Defina o Database Diagram (não se esqueça de interligar as tabelas entre si) Processos ETL No SQL Server Business Intelligence, desenvolva os processos ETL necessários à integração da informação da base de dados Banco para a base de dados BancoDW. Criar um novo projecto de integração. Adicionar duas conexões (uma para a base de dados Banco e outra para a base de dados BancoDW). 167

168 Campos, Ricardo. (2008). Apresentação de. Data Processos ETL Adicionar ao control flow, um data flow task Processos ETL No data Flow, proceder ao carregamento dos dados da base de dados Banco para a base de dados BancoDW Popular a Dimensão Cliente: 168

169 Campos, Ricardo. (2008). Apresentação de. Data Processos ETL Lookup à tabela Estatuto. Join através do campo CodEstatuto e selecção do atributo Estatuto Processos ETL Lookup à tabela EstadoCivil. Join através do campo CodEstadoCivil e selecção do atributo EstadoCivil 169

170 Campos, Ricardo. (2008). Apresentação de. Data Processos ETL Lookup à tabela CreditoHabitacao. Join através do campo CodCreditoHabitacao e selecção do atributo CreditoHabitacao Processos ETL 170

171 Campos, Ricardo. (2008). Apresentação de. Data Processos ETL Popular a Dimensão Bem Financiado: Processos ETL Popular a Dimensão TipoPagamento: Popular a Dimensão TipoPagamento: Popular a Dimensão TipoDuracao: 171

172 Campos, Ricardo. (2008). Apresentação de. Data Processos ETL Popular a Dimensão TipoSituacao: Popular a tabela de factos Financiamentos: Processos ETL Aspecto final do Data Flow 172

173 Campos, Ricardo. (2008). Apresentação de. Data OLAP No SQL Server Business Intelligence, implemente um projecto de Analysis Services, com base no data warehouse BancoDW: New Data Source OLAP New Data Source View Neste passo é possível seleccionar tabelas e views pertencentes à Data Source: 173

174 Campos, Ricardo. (2008). Apresentação de. Data OLAP Resultado final: OLAP New Cube 174

175 Campos, Ricardo. (2008). Apresentação de. Data OLAP OLAP Desenvolver um projecto Analysis Service; 175

176 Campos, Ricardo. (2008). Apresentação de. Data OLAP Expanda a dimensão Cliente e carregue em Edit Crie as seguintes hierarquias: Seleccione Propriedades Especifique que deve aparecer o nome do cliente ao invés do seu número OLAP Crie as seguintes hierarquias: Não se esqueça de definir o nome do cliente ao invés do número Seleccione as propriedades de Idade E em advanced especifique as propriedades anteriores por forma que sejam feitos grupos relativos à idade 176

177 Campos, Ricardo. (2008). Apresentação de. Data OLAP Não se esqueça de definir o nome do cliente ao invés do número Defina grupos (escala) para o rendimento bruto Não se esqueça de definir para todas as hierarquias um nome adequado para o 1.º nível da hierarquia: OLAP Faça um Deploy do projecto e navegue no browser 177

178 Campos, Ricardo. (2008). Apresentação de. Data OLAP No browser do cubo, analise os seus dados de acordo com o seguinte: Montante de crédito total atribuído, desagregado pelo estado civil dos clientes Estado Civil Valor Crédito All Cliente 3,982,71 + Casado 1,022,49 + Solteiro 1,494,94 + Outro 1,465,27 OLAP Verificar qual a distribuição do financiamento concedido por estado civil, mas atendendo ao bem financiado; Estado Civil All TipoBemFinanciado Carro Electrodomésticos Mota Móveis All Cliente 3,982,71 2,762,63 285,71 277,84 656,52 + Casado 1,022,49 720,90 44,10 51,72 205,76 + Solteiro 1,494,94 1,125,23 137,44 106,56 125,70 + Outro 1,465,27 916,49 104,16 119,56 325,05 178

179 Campos, Ricardo. (2008). Apresentação de. Data OLAP Verificar qual a distribuição do financiamento concedido por estado civil, mas atendendo ao número de filhos e bem financiado; - Estado Civil + Num Filhos All TipoBemFinanciado Carro Electrodomésticos Mota Móveis All Cliente All Cliente Total 3,982,71 2,762,63 285,71 277,84 656,52 -Casado Casado Total 1,022,49 720,90 44,10 51,72 205, ,61 224,48 14,78 21,20 63, ,87 252,64 16,65 9,77 69, ,00 243,77 12,67 20,74 72,81 -Solteiro Solteiro Total 1,494,94 1,125,23 137,44 106,56 125, ,75 422,73 47,06 39,35 37, ,67 403,63 39,91 32,69 44, ,51 298,86 50,46 34,51 43,66 - Outro Outro Total 1,465,27 916,49 104,16 119,56 325, ,010,12 647,35 75,88 80,33 206, ,15 269,14 28,27 39,22 118,50 OLAP Verificar qual a distribuição do financiamento concedido por bem financiado, mas atendendo à idade; Idade All TipoBemFinanciado Carro Electrodomésticos Mota Móveis All Cliente 3,982,71 2,762,63 285,71 277,84 656, ,048,12 736,98 67,99 85,10 157, ,041,59 740,84 79,20 64,17 157, ,42 631,54 66,46 68,57 181, ,01 655,01 72,00 60,00 161,00 179

180 Campos, Ricardo. (2008). Apresentação de. Data OLAP Verificar o tipo de situação perante o financiamento atendendo ao estado civil e ao bem financiado; Tipo Situação + Estado Civil All TipoBemFinanciado Carro Electrodomésticos Mota Móveis All TipoSituação All Cliente 3,982,71 2,762,63 285,71 277,84 656,52 + Casado 1,022,49 720,90 44,10 51, ,76 + Solteiro 1,494,94 1,125,23 137,44 106,56 125,70 + Outro 1,465,27 916,49 104,16 119,56 425,05 Cumprimento All Cliente 3,293,94 2,367,06 120,66 149,68 656,52 + Casado 866,85 618,35 12,61 30,12 205,76 + Solteiro 968,56 838,96 3,88 125,70 + Outro 1,458,53 909,75 104,16 119,56 325,05 Incumprimento All Cliente 688,77 395,56 165,05 128,16 + Casado 155,64 102,55 31,49 21,59 + Solteiro 526,38 286,26 133,56 106,56 + Outro 6,74 6,74 OLAP Verificar o tipo de situação incumprimento associado à idade e ao tipo de bem financiado; Tipo Situação Incumprimento Idade All TipoBemFinanciado Carro Electrodomésticos Mota Móveis All Cliente 688,77 395,56 165,05 128, ,00 7,00 37,00 46, ,00 192,00 41,00 24, ,00 151,00 31,00 26, ,00 8,00 46,00 22,00 180

181 Campos, Ricardo. (2008). Apresentação de. Data OLAP Verificar a distribuição do crédito atendendo ao Cumprimento ou Incumprimento dos clientes e ainda ao tipo de bem financiado (Carro, Electrodoméstico, Mota, Móveis); Bem Financiado All TipoSituação Cumprimento Incumprimento All Tipo Bem Financiado 3,982,71 3,293,94 688,77 Carro 2,762,63 2,367,06 395,56 Electrodomésticos 285,71 120,66 165,05 Mota 277,84 149,68 128,16 Móveis 656,52 656,52 OLAP Verificar a distribuição do crédito atendendo ao Cumprimento ou Incumprimento dos clientes, ao tipo de bem financiado (Carro, Electrodoméstico, Mota, Móveis) e ao tipo de pagamento; Ver slide seguinte: 181

182 Campos, Ricardo. (2008). Apresentação de. Data OLAP Pagamento Bem Financiado All Tipo Situação Cumprimento Incumprimento All Tipo Pagamento All TipoBemFinanciado 3,982,71 3,293,94 688,774 Carro 2,762,63 2,367,06 395,56 Electrodomésticos 285,71 120,66 165,05 Mota 277,84 149,68 128,16 Móveis 656,52 656,52 Mensal All TipoBemFinanciado 3,899,83 3,223,45 676,37 Carro 2,762,63 2,367,06 395,56 Electrodomésticos 267,23 114,58 152,65 Mota 277,84 149,68 128,16 Móveis 592,12 592,12 Trimestral All TipoBemFinanciado 82,88 70,48 12,39 Carro Electrodomésticos 18,47 6,08 12,39 Mota Móveis 64,40 64,4 OLAP Verificar a distribuição do financiamento atendendo ao Cumprimento ou Incumprimento dos clientes e ao tipo de contrato; Tipo Contrato All TipoSituação Cumprimento Incumprimento All TipoCOntrato 3,982,71 3,293,94 688,77 ALD 1383,40 1,004,22 379,17 Leasing 1,370,57 1,354,18 16,39 Outro 1,228,74 935,53 293,21 182

183 Campos, Ricardo. (2008). Apresentação de. Data OLAP Verificar a distribuição do financiamento atendendo ao Cumprimento ou Incumprimento dos clientes, bem financiado e ao tipo de contrato; Ver slide seguinte: OLAP Pagamento Bem Financiado All Tipo Situação Cumprimento Incumprimento All Tipo Pagamento All TipoBemFinanciado 3,982,71 3,293,94 688,774 Carro... Electrodomésticos... Mota... Móveis... ALD All TipoBemFinanciado... Carro... Electrodomésticos... Mota... Móveis... Etc All TipoBemFinanciado... Carro... Electrodomésticos... Mota... Móveis

184 Campos, Ricardo. (2008). Apresentação de. Data OLAP Verificar a distribuição do financiamento atendendo ao Cumprimento ou Incumprimento dos clientes e à duração do contrato; Duração All TipoSituação Cumprimento Incumprimento All TipoDuraçao 3,982,71 3,293,94 688, OLAP Verificar a distribuição do financiamento atendendo ao Cumprimento ou Incumprimento dos clientes, ao tipo de bem financiado e ao tipo de contrato; Ver slide seguinte: 184

185 Campos, Ricardo. (2008). Apresentação de. Data OLAP Bem Financiado Duração All Tipo Situação Cumprimento Incumprimento All Tipo BemFinanciado All TipoDuração 3,982,71 3,293,94 688, Etc OLAP Verificar o tipo de situação incumprimento associado ao tipo de bem financiado e ao tipo de duração; Tipo Situação Incumprimento Duração All TipoBemFinanciado Carro Electrodomésticos Mota Móveis All TipoDuração 688,77 395,56 165,05 128,

186 Campos, Ricardo. (2008). Apresentação de. Data KPIs Defina um KPI (Key Performance Indicator) que avalie os resultados relativos à concessão de crédito; CRM Ricardo Campos 186

187 Campos, Ricardo. (2008). Apresentação de. Data Definição O CRM é uma estratégia de negócio que abrange toda a empresa. Visa a criação de um relacionamento a longo prazo com os clientes e parceiros através da compreensão e satisfação das suas necessidades individuais. Marketing Vendas Serviço Canais de Interacção Telefone Fax Web Mail PDA s Definição É Mais do Que Montar um serviço ao cliente Disponibilizar Produtos de Qualidade É Construção de Relações Reconhecer e tratar os melhores clientes Escutar e aprender com os clientes Actuar a partir do conhecimento adquirido Antes Foco na Oferta de Produtos Venda de Produtos a todos os Potenciais Clientes. Adopção de Novos Modelos de Negócio Agora Foco na Construção de Relações Duradouras Customizar a base de produtos e serviços à base de clientes. Marketing Tradicional Diferenciar produtos. Gerir produtos. Encontrar Clientes para Produtos. Marketing 1 To 1 Diferenciar clientes. Gerir clientes. Encontrar Produtos para Clientes. 187

188 Campos, Ricardo. (2008). Apresentação de. Data Factores Críticos na Implementação da Estratégia Informação (permite identificar preferências e necessidades de clientes) Gestão de Clientes no Front-Office Marketing Vendas Serviço Suporte Marketing Interacção (base para a construção de relações duradouras) Vendas Directas Vendas Indirectas Telefone Web Carta Fax Interacção = Informação Informação = Conhecimento Vendas Serviço Conhecimento = Fidelização Suporte Fidelização = Lucro Consequentemente Diálogo = Lucro Fases do CRM Front - Office Front-office aparece como foco central na gestão das relações com clientes. Necessidade de dotar organizações de uma base de dados unificada. Dar às áreas de front-office a visão do cliente nas vertentes de Serviço, Suporte, Marketing e Vendas. Satisfação Clientes/Fidelização Fases do CRM Grow Me Customer Relationship Management Estratégico Hear Me Know Me Retenção de Clientes Aquisição de Clientes Rentabilidade 188

189 Campos, Ricardo. (2008). Apresentação de. Data Fases do CRM Know Me Hear Me Grow Me Cliente encarado como Conta Empresa foca-se em ter uma ideia do cliente: facturação, número de escritórios World Wide,... Ofertas comerciais baseadas em preço por volume de aquisição. Foco: Oportunidades de Negócio. Necessidade de criar valor para o cliente. Necessidade de ter informação detalhada de interacções. Necessidade de o conhecer quem compra e quem decide. Necessidade de escutar o cliente e conhecer as condições que condicionam as tomadas de decisão e o processo de aquisição. Foco: Contactos e Actividades. Cross-sell e Up-Sell baseado no verdadeiro conhecimento do cliente (Oportunidades, Contactos e Actividades). Conhecimento é adquirido na Empresa e no Cliente. Foco: Relacionamento. Data Mining Ricardo Campos 189

190 Campos, Ricardo. (2008). Apresentação de. Data Data Mining Processo de exploração e análise de dados a fim de descobrir regras e padrões anteriormente desconhecidos; é o processo de descoberta de nova e relevante informação a partir de grandes volumes de informação mantidos no DW; essa informação é tipicamente conhecimento escondido obtido pela análise da ocorrência de padrões. Data Mining - Aplicações Comportamento do cliente: Procurar e reter os clientes mais rentáveis; Detecção de fraude; Análise web; Segmentação de clientes: Marketing direccionado receptividade a campanhas; Análise de rentabilidade: Aquisição e retenção de clientes; Análise de risco; 190

191 Campos, Ricardo. (2008). Apresentação de. Data Data Mining OLAP Data Mining Quantos assinantes se perderam por fraude? Quantos clientes é que estamos a perder? Quantos clientes cancelaram as contas nos últimos 6 meses comparando com o mesmo período do ano passado? Que lojas não cumpriram determinados objectivos no último ano? Quanto perdemos em crédito mal parado no último ano? Quais são as características dos clientes com maior propensão para fraude? Porque é que estamos a perder clientes? Quais os clientes que estamos em risco de perder? Quais os clientes que vão passar para a concorrência nos próximos 6 meses? Qual é o melhor tamanho e localização para a nossa próxima loja? Quais os clientes com possibilidade de falharem o pagamento dos empréstimos? Data Mining As tarefas de Data Mining incluem: Classificação; Segmentação; Modelação de Dependências; 191

192 Campos, Ricardo. (2008). Apresentação de. Data Data Mining Classificação: Permite o enquadramento de um conjunto de dados dentro de classes predefinidas; A classificação é uma tarefa de aprendizagem supervisionada. Isto quer dizer que o atributo e as classes que vão conduzir o processo de classificação dos dados são conhecidos à partida. Exemplo: Considere-se um conjunto de 23 registos; Cada ponto representa uma pessoa a quem o banco concedeu crédito Data Mining No eixo dos xx temos representado o rendimento bruto (total anual); No eixo dos yy o montante total da dívida (valor do crédito) Os dados encontram-se classificados em duas classes:, clientes que não tiveram qualquer atraso no pagamento;, clientes que faltaram ao pagamento das suas dívidas; A existência de duas regiões, que permitem dividir os clientes nas duas classes disponíveis para o atributo de saída: cumpridores e incumpridores; 192

193 Campos, Ricardo. (2008). Apresentação de. Data Data Mining Segmentação: Conhecida como clustering; Representa uma tarefa de aprendizagem não supervisionada, uma vez que o utilizador não tem qualquer influência na definição de classes Os segmentos surgem de agrupamentos que são detectados nos dados e que obedecem a métricas de similaridade; A representação dos registos é substituída pelo símbolo Ο para todos os registos, indicando que não existe qualquer predefinição de classes para os indivíduos; Data Mining Modelação de Dependências: Tem como objectivo identificar um modelo que descreve dependências significativas entre variáveis; Um exemplo de associação pode ser encontrado em conjuntos de bens de consumo que são adquiridos simultaneamente; 193

194 Campos, Ricardo. (2008). Apresentação de. Data Data Mining Existe uma grande diversidade de técnicas de data mining, as quais são concretizadas através de diferentes algoritmos. Técnicas de Data Mining: Árvores de Decisão; Regras de Associação; Data Mining Árvores de Decisão: São constituídas por estruturas em árvores que representam um conjunto de decisões; Os algoritmos de árvores de decisão permitem gerar regras de classificação de dados, baseados na informação guardada na base de dados; Uma árvore de decisão integra nós, ramos e folhas: Nos nós, encontram-se os atributos a classificar; Ramos descrevem os valores possíveis para esses atributos; As folhas da árvore indicam as diversas classes em que cada registo pode ser classificado; 194

195 Campos, Ricardo. (2008). Apresentação de. Data Data Mining As árvores de decisão podem ainda ser representadas por conjuntos de regras. Cada folha da árvore dá origem a uma regra. Se Bem Financiado = Electrodoméstico e Estado Civil = Casado e Rendimento Bruto = então Conceder Data Mining Regras de Associação: As regras de associação permitem encontrar relacionamentos entre os atributos existentes numa base de dados, representando-os na forma de uma regra. Se X então Y ou X Y Número Produto 1101 Pão 1101 Manteiga 1101 Fiambre 1101 Leite 2201 Pão 2201 Queijo 2201 Leite 3101 Leite 3101 Pão 3101 Queijo 4100 Pão 4100 Manteiga 4100 Leite Produtos agrupados por compra Número Produtos 1101 Pão, Manteiga, Fiambre, Leite 2201 Pão, Queijo, Leite 3101 Pão, Queijo, Margarina 4100 Pão, Manteiga, Leite Exemplo de uma regra: Pão & Manteiga Leite (2/4=50%, 1) 195

196 Campos, Ricardo. (2008). Apresentação de. Data Excel Ricardo Campos Tabelas Dinâmicas As tabelas dinâmicas (pivot tables) constituem um recurso do Excel para organizar tabelas ou listas de dados. Permitem resumir a informação obtida a partir de uma fonte de dados, sem a necessidade de usar fórmulas, mostrando a informação num relatório ou numa tabela interactiva. O nome tabela dinâmica advém da facilidade em trocar a disposição dos dados na tabela, obtendo a informação vista de diferentes perspectivas. As tabelas dinâmicas constituem-se a partir de tabelas ou listas de dados já existentes e permitem reorganizar os dados com grande flexibilidade e de forma diversificada; 196

197 Campos, Ricardo. (2008). Apresentação de. Data Tabelas Dinâmicas A funcionalidade Pivot Table é das funcionalidades mais potentes do Excel e permite efectuar um tratamento de dados potente e multidimensional. Seleccionando as células seleccione-se o menu Dados Tabelas Dinâmicas Seleccionar a origem dos dados e o tipo de relatório: 197

198 Campos, Ricardo. (2008). Apresentação de. Data Tabelas Dinâmicas Seleccionar as células de origem dos dados: Seleccionar onde se deseja colocar o relatório Tabelas Dinâmicas Aqui pode-se escolher o que se pretende ter nas linhas e o que se pretende ter nas colunas. Formatar Relatório Assistente de Gráficos 198

199 Campos, Ricardo. (2008). Apresentação de. Data Tabelas Dinâmicas Resultado Final Caso Prático Pretende-se que os alunos se familiarizem com as análises OLAP usando para tal as tabelas pivot do excel. Existe um conjunto de dados, constantes das fichas práticas, que poderão ser usado para esse fim 199

200 Campos, Ricardo. (2008). Apresentação de. Data Caso Prático Considere-se a seguinte tabela: Livro: CasoPrático.xls, folha1 Caso Prático Crie uma tabela dinâmica com o seguinte aspecto: Carregue duas vezes em cima do nome Janet para ver o que acontece; 200

201 Campos, Ricardo. (2008). Apresentação de. Data Caso Prático Considere agora outro exemplo. Na figura abaixo, encontra-se listado parte do ficheiro relativo à classificação (6 disciplinas) de duas alunas (Elisa e Maria) nos meses de Janeiro, Fevereiro e Março. Livro: CasoPrático.xls, folha2 Caso Prático Construa a seguinte tabela dinâmica (observe que a mesma diz respeito aos dois alunos considerados e que os valores apresentados dizem respeito à média de classificação) Considere agora apenas a aluna Elisa e o máximo da classificação: 201

202 Campos, Ricardo. (2008). Apresentação de. Data Caso Prático Utilizar filtros (selecção de alunos): Caso Prático Alteração da fórmula de cálculo 202

203 Campos, Ricardo. (2008). Apresentação de. Data Caso Prático Crie o seguinte gráfico: Caso Prático Considere agora a seguinte tabela de vendas: Livro: CasoPrático.xls, folha3 203

204 Campos, Ricardo. (2008). Apresentação de. Data Caso Prático Pretende-se apurar o total de vendas realizado por cada funcionário: Pretende-se apurar o total de vendas realizado por cada funcionário, filtrado por país: Caso Prático Pretende-se apurar o total de vendas realizado por cada funcionário, apresentando os resultado ordenados por valor de venda: 204

205 Campos, Ricardo. (2008). Apresentação de. Data Caso Prático Quais são os 5 melhores vendedores? Seleccione-se o campo SalesPerson e no menu tabela dinâmica o menu Ordenar as 10 Mais Caso Prático Seleccionar apenas 5 resultados: 205

206 Campos, Ricardo. (2008). Apresentação de. Data Caso Prático Qual foi o desempenho dos vendedores de UK, em cada um dos trimestres: Caso Prático Qual a variação do desempenho dos vendedores de UK de trimestre para trimestre: 206

207 Campos, Ricardo. (2008). Apresentação de. Data Caso Prático Quais são os detalhes de venda de um utilizador: Tomando-se como partida esta tabela, basta carregar duas vezes em cima de Sum of Order Amount e é criada automaticamente a lista anterior: Caso Prático Quanto é que cada venda representa em termos de percentagem? 207

208 Campos, Ricardo. (2008). Apresentação de. Data Caso Prático Duplo Clique Seleccionar Opções: Seleccionar % do total: Caso Prático Produza o seguinte gráfico: 208

Modelação Multidimensional

Modelação Multidimensional Modelação Multidimensional Exemplo: Distribuição Retalhista Sumário O Processo de análise Apresentação do caso Análise do caso Atributos das tabelas de dimensões Estender o modelo Notas sobre as dimensões

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

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

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

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

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

GUIA DE FUNCIONAMENTO DA UNIDADE CURRICULAR

GUIA DE FUNCIONAMENTO DA UNIDADE CURRICULAR Curso Engenharia Informática Ano letivo 2012/13 Unidade Curricular Bases de Dados II ECTS 6 Regime Obrigatório Ano 2º Semestre 1º sem Horas de trabalho globais Docente (s) José Carlos Fonseca Total 168

Leia mais

Projecto Final de Licenciatura Engenharia Informática - Computadores e Sistemas. elaborado por: Filipe Manuel Marques Pinto Pinheiro

Projecto Final de Licenciatura Engenharia Informática - Computadores e Sistemas. elaborado por: Filipe Manuel Marques Pinto Pinheiro OLAP (ONLINE ANALYTICAL PROCESSING) Projecto Final de Licenciatura Engenharia Informática - Computadores e Sistemas elaborado por: Filipe Manuel Marques Pinto Pinheiro orientado por: Engº Paulo Alexandre

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

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

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

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

Leia mais

Banco de Dados - 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

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

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

Administração de Sistemas de Informação Gerenciais UNIDADE IV: Fundamentos da Inteligência de Negócios: Gestão da Informação e de Banco de Dados Um banco de dados é um conjunto de arquivos relacionados

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

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

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

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

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

Modelando um Data Warehouse GRIMALDO OLIVEIRA

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

Leia mais

Uma peça estratégica para o seu negócio

Uma peça estratégica para o seu negócio Uma peça estratégica para o seu negócio INFORMAÇÃO GERAL DA EMPRESA CASO DE SUCESSO EM IMPLEMENTAÇÃO BI PERGUNTAS E RESPOSTAS Fundada em 1997, Habber Tec é uma empresa especializada na oferta de soluções

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

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

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

Informática. Conceitos Básicos. Informação e Sistemas de Informação. Aula 3. Introdução aos Sistemas

Informática. Conceitos Básicos. Informação e Sistemas de Informação. Aula 3. Introdução aos Sistemas Informática Aula 3 Conceitos Básicos. Informação e Sistemas de Informação Comunicação Empresarial 2º Ano Ano lectivo 2003-2004 Introdução aos Sistemas A Teoria dos Sistemas proporciona um meio poderoso

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

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

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

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

Bases de Dados. Bibliografia. 1. Parte I Componente Teórica. Pedro Quaresma

Bases de Dados. Bibliografia. 1. Parte I Componente Teórica. Pedro Quaresma Índice Bases de Dados Pedro Quaresma Departamento de Matemática Universidade de Coimbra 2010/2011 1. Parte I Componente Teórica 1.1 Introdução 1.2 Modelo ER 1.3 Modelo Relacional 1.4 SQL 1.5 Integridade

Leia mais

- A crescente necessidade de sistemas inteligentes e de aquisição de conhecimento levaram à necessidade de implementação de Data Warehouses.

- A crescente necessidade de sistemas inteligentes e de aquisição de conhecimento levaram à necessidade de implementação de Data Warehouses. - A crescente necessidade de sistemas inteligentes e de aquisição de conhecimento levaram à necessidade de implementação de. - O que é uma Data Warehouse? - Colecção de bases de dados orientadas por assunto

Leia mais

EXCEL. Listas como Bases de Dados

EXCEL. Listas como Bases de Dados Informática II Gestão Comercial e da Produção EXCEL Listas como Bases de Dados (TÓPICOS ABORDADOS NAS AULAS DE INFORMÁTICA II) Curso de Gestão Comercial e da Produção Ano Lectivo 2002/2003 Por: Cristina

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

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

Modelação Dimensional 4

Modelação Dimensional 4 INTEGRAÇÃO E PROCESSAMENTO ANALÍTICO DE INFORMAÇÃO Modelação Dimensional 4 António Manuel Silva Ferreira UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO DE INFORMÁTICA asfe@di.fc.ul.pt Sumário

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

EXCEL TABELAS DINÂMICAS

EXCEL TABELAS DINÂMICAS Informática II Gestão Comercial e da Produção EXCEL TABELAS DINÂMICAS (TÓPICOS ABORDADOS NAS AULAS DE INFORMÁTICA II) Curso de Gestão Comercial e da Produção Ano Lectivo 2002/2003 Por: Cristina Wanzeller

Leia mais

A versão básica disponibiliza a informação criada no Microsoft Navision em unidades de informação

A versão básica disponibiliza a informação criada no Microsoft Navision em unidades de informação O Business Analytics for Microsoft Business Solutions Navision ajuda-o a ter maior controlo do seu negócio, tomar rapidamente melhores decisões e equipar os seus funcionários para que estes possam contribuir

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

Tarefa Orientada 18 Tabelas dinâmicas

Tarefa Orientada 18 Tabelas dinâmicas Tarefa Orientada 18 Tabelas dinâmicas Análise de dados através de tabelas dinâmicas. Conceitos teóricos As Tabelas Dinâmicas são tabelas interactivas que resumem elevadas quantidades de dados, usando estrutura

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

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

Mineração e Armazenamento de Dados

Mineração e Armazenamento de Dados Mineração e Armazenamento de Dados Carlos P. Caldeira Departamento de Informática Universidade de Évora ccaldeira@di.uevora.pt http://www.di.uevora.pt/~ccaldeira Modelo dimensional Modelo dimensional Modelo

Leia mais

Microsoft Analysis Service

Microsoft Analysis Service Microsoft Analysis Service Neste capítulo você verá: BI Development Studio Analysis Services e Cubos Microsoft Analysis Services é um conjunto de serviços que são usados para gerenciar os dados que são

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

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

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses

Leia mais

Business Intelligence & Performance Management

Business Intelligence & Performance Management Como medir a evolução do meu negócio? Tenho informação para esta decisão? A medição da performance é uma dimensão fundamental para qualquer actividade de gestão. Recorrentemente, qualquer gestor vê-se

Leia mais

Microsoft Access. Nível I. Pedro Fernandes

Microsoft Access. Nível I. Pedro Fernandes Microsoft Access Nível I Introdução Objectivos Introdução; Criar tabelas; Fazer consultas; Elaborar formulários; Executar relatórios. 2 Introdução aos Sistemas de Gestão de Bases de Dados (SGBD) Desde

Leia mais

Autor: Júlio Battisti www.juliobattisti.com.br

Autor: Júlio Battisti www.juliobattisti.com.br Autor: Júlio Battisti www.juliobattisti.com.br Livro: Aprenda com Júlio Battisti: Excel 2010 Avançado, Análise de Dados e Cenários, Tabelas e Gráficos Dinâmicos, Macros e Programação VBA - Através de Exemplos

Leia mais

Conceitos. - Sistema de Informação, Estruturas e Classificação. - Dados x Informações. Edson Almeida Junior www.edsonalmeidajunior.com.

Conceitos. - Sistema de Informação, Estruturas e Classificação. - Dados x Informações. Edson Almeida Junior www.edsonalmeidajunior.com. Conceitos - Sistema de Informação, Estruturas e Classificação - Dados x Informações Edson Almeida Junior www.edsonalmeidajunior.com.br Definição de Sistema Uma coleção de objetos unidos por alguma forma

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

Dennis Tortora, Vice President Controller, Steinway & Sons

Dennis Tortora, Vice President Controller, Steinway & Sons Dennis Tortora, Vice President Controller, Steinway & Sons Quadro de Contabilidade Geral base Distribuições Orçamentos Esquema de Contas Gráfico de Barras do Esquema de Contas Consolidação Centros de Responsabilidade

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

Conteúdo de Formação

Conteúdo de Formação Microsoft Office Excel Iniciação Objetivos Gerais Este Curso tem como objetivo dotar os participantes dos conhecimentos e práticas sobre a folha de cálculo Microsoft Excel a nível completo. Objetivos Específicos

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

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

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

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

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

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

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

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

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

geral@centroatlantico.pt www.centroatlantico.pt Impressão e acabamento: Inova 1ª edição: Outubro de 2003 ISBN: 972-8426-76-3 Depósito legal: 202574/03

geral@centroatlantico.pt www.centroatlantico.pt Impressão e acabamento: Inova 1ª edição: Outubro de 2003 ISBN: 972-8426-76-3 Depósito legal: 202574/03 FICHEIROS COM EXEMPLOS Envie um e-mail* para software@centroatlantico.pt para conhecer os endereços de Internet de onde poderá fazer o download dos ficheiros com os exemplos deste livro. * O leitor consente,

Leia mais

Tecnologias de Informação

Tecnologias de Informação Sistemas Empresariais Enterprise Resource Planning (ERP): Sistema que armazena, processa e organiza todos os dados e processos da empresa de um forma integrada e automatizada Os ERP tem progressivamente

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

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

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

Data Warehousing. Engª Informática e Computação FEUP. 27 de Maio de 2002 DW/ACC/FEUP 27-05-2002

Data Warehousing. Engª Informática e Computação FEUP. 27 de Maio de 2002 DW/ACC/FEUP 27-05-2002 Data Warehousing Engª Informática e Computação FEUP 27 de Maio de 2002 Agenda Perspectiva de Negócio Perspectiva Técnica Perspectiva do Projecto Razões para construir um DW Modelação de Dados Exploração

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

Limpeza e transformação de dados

Limpeza e transformação de dados SAD: 4º Projecto DW Limpeza e transformação de dados Suponha a operação de junção aproximada, que pode ser expressa pelo operador Match da framework de limpeza e transformação e dados AJAX. Pretende utilizar

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 4.2 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

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

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

Campos, Ricardo. (2007). Apresentação de Bases de Dados. Microsoft SQL Server 2005. Linguagem SQL. Sql Server BI Development Studio. 457 slides.

Campos, Ricardo. (2007). Apresentação de Bases de Dados. Microsoft SQL Server 2005. Linguagem SQL. Sql Server BI Development Studio. 457 slides. Campos, Ricardo. (2007). Apresentação de. Microsoft SQL Ricardo Campos (ricardo.campos@ipt.pt) Autoria Esta apresentação foi desenvolvida por Ricardo Campos, docente do Instituto Politécnico de Tomar.

Leia mais

BIS-Navigator. Add-In for Excel

BIS-Navigator. Add-In for Excel BIS-Navigator Add-In for Excel Manual do Utilizador V3.0 - Português Fev 2006 Publicado por Solutions for Informations Technologies Copyright 2000 da Solutions for Informations Technologies ou suas subsidiárias,

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

BusinessRX para Consultores ou Diretores Financeiros

BusinessRX para Consultores ou Diretores Financeiros Business Report expert BusinessRX para Consultores ou Diretores Financeiros Descubra como obter sucesso com o BusinessRX e a modelação de mapas de gestão inteligentes e interativos, que podem ajudá-lo

Leia mais

Gestão da Informação

Gestão da Informação Gestão da Informação Aplicações de suporte à Gestão da Informação na empresa Luis Borges Gouveia, lmbg@ufp.pt Aveiro, Fevereiro de 2001 Sistemas de informação para empresas Manutenção e exploração de sistemas

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

Tópicos Avançados de Banco de Dados (Business Intelligence)

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

Leia mais

DATA WAREHOUSING. Data Warehousing

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

Leia mais

Como tornar o seu. Maribel Yasmina* Isabel Ramos*

Como tornar o seu. Maribel Yasmina* Isabel Ramos* Os sistemas de Business Intelligence são imprescindíveis a decisores dinâmicos e motivados para aproveitar as oportunidades que uma sociedade em transformação rápida pode oferecer Maribel Yasmina* Como

Leia mais

Kimball University: As 10 Regras Essenciais para a Modelagem de Dados Dimensional

Kimball University: As 10 Regras Essenciais para a Modelagem de Dados Dimensional Kimball University: As 10 Regras Essenciais para a Modelagem de Dados Dimensional Margy Ross Presidente Kimball Group Maio de 2009, Intelligent Enterprise.com Tradução livre para a língua portuguesa por

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

SISTEMA DE INFORMAÇÃO DA ARS Gestão de Unidades Funcionais

SISTEMA DE INFORMAÇÃO DA ARS Gestão de Unidades Funcionais SISTEMA DE INFORMAÇÃO DA ARS Gestão de Unidades Funcionais Manual de Utilização Administração Regional de Saúde do Norte Departamento de Estudos e Planeamento Março de 2011 Índice 1 Introdução... 3 1.1

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

Limpeza e transformação de dados (SSIS)

Limpeza e transformação de dados (SSIS) SAD: 4º Projecto DW Limpeza e transformação de dados (SSIS) Suponha a operação de junção aproximada, e que pretende utilizar esta operação para detectar registos aproximadamente duplicados de Clientes..A

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

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

Introdução. Formação Informática Para Estatísticos Na DPINE. Formação Informática Para Estatísticos Na DPINE. Usar Tabelas Dinâmicas em EXCEL

Introdução. Formação Informática Para Estatísticos Na DPINE. Formação Informática Para Estatísticos Na DPINE. Usar Tabelas Dinâmicas em EXCEL Usar Tabelas Dinâmicas em EXCEL Introdução Neste Módulo aprendemos o importante recurso de Tabelas Dinâmicas e Gráficos Dinâmicos. Aprendemos a criar tabelas dinâmicas, a aplicar filtros e a fazer análise

Leia mais

TECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO. SISTEMAS DE GESTÃO DE BASE DE DADOS Microsoft Access TECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO

TECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO. SISTEMAS DE GESTÃO DE BASE DE DADOS Microsoft Access TECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO TECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO Microsoft Access TECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO CONCEITOS BÁSICOS 1 Necessidade das base de dados Permite guardar dados dos mais variados tipos; Permite

Leia mais

05/06/2012. Banco de Dados. Gerenciamento de Arquivos. Gerenciamento de Arquivos Sistema Gerenciador de Banco de Dados Modelos de Dados

05/06/2012. Banco de Dados. Gerenciamento de Arquivos. Gerenciamento de Arquivos Sistema Gerenciador de Banco de Dados Modelos de Dados Banco de Dados Gerenciamento de Arquivos Sistema Gerenciador de Banco de Dados Modelos de Dados Gerenciamento de Arquivos Gerenciamento de Arquivos 1 Gerenciamento de Arquivos Em uma indústria são executadas

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

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 Planeamento de Campanha de E-Marketing

Manual Planeamento de Campanha de E-Marketing Manual Planeamento de Campanha de E-Marketing Planeamento de Campanha de E-Marketing Cada variável, a nível de marketing tem normas próprias, em função dos meios de comunicação através dos quais se veiculam

Leia mais