Sistemas de Informações Gerenciais. para concursos. Questões comentadas

Tamanho: px
Começar a partir da página:

Download "Sistemas de Informações Gerenciais. para concursos. Questões comentadas"

Transcrição

1 Sistemas de Informações Gerenciais para concursos Questões comentadas

2 Prefácio Atualmente estamos inseridos num contexto de extrema mutabilidade, onde a concorrência se torna cada vez mais acirrada. O mercado é global e mais sensível às mudanças e o consumidor tornar-se cada vez mais exigente em relação ao custo e à qualidade do produto e dos serviços associados. Devido à competição exaltada e à necessidade de cultivar lucros, as empresas estão transformando algumas das Tecnologias de Informação em ferramentas estratégicas para obterem sucesso no gerenciamento dos seus negócios. No cenário atual, onde os gerentes necessitam tomar decisões rápidas em resposta às adversidades que ocorrem freqüentemente em seus negócios, faz-se necessário um sistema de informação que dê suporte às suas decisões, levantando informações precisas, conáveis, oportunas e relevantes, apresentando-as em um formato facilmente compreensível. Dentro desse cenário, a Tecnologia de Informação assume um papel de grande importância ao permitir de forma rápida e simples a manipulação das informações necessárias ao gerenciamento integrado dos negócios. O Data Warehouse, em especial, oferece os fundamentos e os recursos necessários à tomada de decisão, fornecendo dados integrados e históricos a todos os níveis da organização. Como era de se esperar, os concursos de TI, sempre atentos ao cenário atual, cobram com frequência tal assunto. Este volume tem por objetivo fornecer ao candidato uma visão dos principais recursos empregados na extração de informação útil à tomada de decisão. Para tanto, o Grupo Handbook de TI selecionou uma série de questões comentadas em detalhes para você. Bons estudos, Grupo Handbook de TI Página 1 de 42

3 Direitos Autorais Este material é registrado no Escritório de Direitos Autorais (EDA) da Fundação Biblioteca Nacional. Todos os direitos autorais referentes a esta obra são reservados exclusivamente aos seus autores. Os autores deste material não proíbem seu compartilhamento entre amigos e colegas próximos de estudo. Contudo, a reprodução, parcial ou integral, e a disseminação deste material de forma indiscriminada através de qualquer meio, inclusive na Internet, extrapolam os limites da colaboração. Essa prática desincentiva o lançamento de novos produtos e enfraquece a comunidade concurseira Handbook de TI. A série Handbook de Questões de TI Comentadas para Concursos Além do Gabarito é uma produção independente e contamos com você para mantê-la sempre viva. Grupo Handbook de TI Página 2 de 42

4 Canais de Comunicação O Grupo Handbook de TI disponibiliza diversos canais de comunicação para os concurseiros de TI. Loja Handbook de TI Acesse a nossa loja virtual em Serviço de Atendimento Comunique-se diretamente conosco através do Twitter do Handbook de TI Acompanhe de perto promoções e lançamentos de produtos pelo nosso Twitter com/handbookdeti Página 3 de 42

5 1. Assuntos relacionados: Banco de Dados, Banca: CESGRANRIO Instituição: Petrobras Cargo: Analista de Sistemas - Eng. de Software Ano: 2008 Questão: 27 Há 3 cidades com 5 clientes cada, 2 cidades com 4 clientes cada e 10 produtos cadastrados no banco de dados. Se um cliente não compra o mesmo produto duas vezes no mesmo dia e nem em dois dias seguidos, a quantidade máxima de registros na tabela VENDA, para clientes de uma determinada cidade, em um intervalo qualquer de 30 dias, será (a). 300 (b). 750 (c) (d) (e) Solução: Note que um cliente não poderá comprar o mesmo produto por mais de 15 vezes em um intervalo de 30 dias, já que o intervalo mínimo entre as compras de um mesmo produto será de 2 dias. No caso máximo, qualquer cliente poderá realizar a compra de todos os 10 produtos, mas não poderá comprar um mesmo produto por mais de 15 vezes dentro do intervalo de 30 dias. Ou seja, um cliente poderá representar, no máximo, 150 (15x10) registros na tabela VENDA. As cidades que possuem mais clientes, possuem cinco clientes. Logo, no máximo, essas cidades poderão conter 750 (5x15x10) registros na tabela VENDA. Concluímos que a resposta correta é a alternativa B. A cidade que possui quatro clientes, poderá, no máximo, ser associada a 600 registros da tabela VENDA. Podemos também calcular a quantidade máxima de registros na tabela VENDA da seguinte maneira: 3x5x15x10 + 2x4x15x10 = Tal cálculo seria interessante se quiséssemos, por exemplo, dimensionar o tamanho máximo do banco de dados. Página 4 de 42

6 2. Assuntos relacionados: Sistemas de Informações Gerenciais, Banca: ESAF Instituição: Secretaria do Tesouro Nacional (STN) Cargo: Analista de Finanças e Controle - Tecnologia da Informação / Desenvolvimento de Sistemas de Informação Ano: 2008 Questão: 28 O sistema de informação utilizado pelo Governo Federal para controlar e acompanhar a execução orçamentária, patrimonial e nanceira é denominado (a). SIGPLAN. (b). SISG. (c). SIAFI. (d). SIASG. (e). SIAPE. Solução: Para identicação da resposta correta é necessário conhecer o signicado das siglas listadas. Assim, além de dizer a razão pela qual uma resposta é correta ou incorreta, o signicado das siglas e o propósito do sistema por elas representados serão apresentados. (A) INCORRETA SIGPLAN 1 é o sistema de informações gerenciais e de planejamento e contribui na elaboração, monitoramento, avaliação e revisão dos programas do Plano Plurianual. Ele foi concebido para apoiar a execução dos programas governamentais e é utilizado pelos órgãos setoriais, presidência da república, casa civil, ministérios e outras entidades. Seu objetivo é o de servir como meio de comunicação e integraçao entre as pessoas responsáveis em executar e monitorar os programas governamentais, fornecendo as informações necessárias e em tempo. Algumas de suas características mais importantes são: Acompanhamento da execução física em tempo real: por ele a administração pública federal pode realizar um efetivo gerenciamento das ações governamentais, em particular no que diz respeito ao desempenho físico; Gestão de restrições: possibilita ao gerente a antecipação e sistematização das restrições, o que facilita a mobilização e a busca por soluções por parte do governo e seus parceiros; Integração de informações: sua base de dados contém informações sobre a execução das ações, seu gerenciamento e monitoramento, e informações orçamentárias e nanceiras sobre cada programa, sendo composta de dados provenientes de diversas fontes. 1 Manual de Operação do SIGPlan, disponível em e acessado em 25/05/2010. Página 5 de 42

7 (B) INCORRETA O sistema de serviços gerais - SISG 2 não é um sistema de informação, mas o sistema que organiza as atividades de administração de edifícios públicos e imóveis residenciais, material, transporte, comunicações administrativas e documentação. Além de ser integrado pelos órgãos e unidades da Administração Federal incumbidos especicamente de executar as atividades relacionados ao sistema, os ministérios militares e o estado-maior das forças armadas poderão aplicar, no que couber, as normas pertinentes ao SISG. O SISG compreende: I. o órgão central, responsável pela formulação de diretrizes, orientação, planejamento e coordenação, supervisão e controle dos assuntos relativos a Serviços Gerais; II. os órgãos setoriais, unidades incumbidas especicamente de atividades concernentes ao SISG, nos Ministérios e órgãos integrantes da Presidência da República; III. os órgãos seccionais, unidades incumbidas da execução das atividades do SISG, nas autarquias e fundações públicas. (C) CORRETA O SIAFI 3, ou sistema de integrado de administração nanceira, é um sistema contábil que tem por nalidade realizar todo o processamento, controle e execução nanceira, patrimonial e contábil do governo federal brasileiro. Ele é gerido pela Secretaria do Tesouro Nacional, STN. Ele foi projetado com o intuito de resolver os problemas de natureza administrativa que dicultavam a adequada gestão dos recursos públicos e a preparação do orçamento unicado brasileiro. Assim, com a criação da STN, em 1986, a STN, em conjunto com o SERPRO, desenvolveu tal sistema. Após a criação do sistema, o governo federal tem uma conta única para gerir, de onde todas as saídas de dinheiro ocorrem com o registro de sua aplicação e do servidor público que a efetuou. Seus principais objetivos são o de: prover mecanismos adequados ao controle diário da execução orçamentária, nanceira e patrimonial aos órgãos da Administração Pública; fornecer meios para agilizar a programação nanceira, otimizando a utilização dos recursos do Tesouro Nacional, através da unicação dos recursos de caixa do Governo Federal; permitir que a contabilidade pública seja fonte segura e tempestiva de informações gerenciais destinadas a todos os níveis da Administração Pública Federal; padronizar métodos e rotinas de trabalho relativas à gestão dos recursos públicos, sem implicar rigidez ou restrição a essa atividade, uma vez que ele permanece sob total controle do ordenador de despesa de cada unidade gestora; 2 Decreto No 1.094, de 23 de março de Disponível em e acessado em 25/05/ Conheça o SIAFI - A História do SIAFI. Disponível em e acessado em 25/05/2010. Página 6 de 42

8 permitir o registro contábil dos balancetes dos estados e municípios e de suas supervisionadas; permitir o controle da dívida interna e externa, bem como o das transferências negociadas; integrar e compatibilizar as informações no âmbito do Governo Federal; permitir o acompanhamento e a avaliação do uso dos recursos públicos; proporcionar a transparência dos gastos do Governo Federal. (D) INCORRETA O Sistema Integrado de Administração de Serviços Gerais - SIASG 4, é um conjunto informatizado de ferramentas para operacionalizar internamente o funcionamento sistêmico das atividades inerentes ao Sistema de Serviços Gerais - SISG, quais sejam: gestão de materiais, edicações públicas, veículos ociais, comunicações administrativas, licitações e contratos, do qual o Ministério do Planejamento, Orçamento e Gestão é órgão central normativo. (E) INCORRETA O Sistema Integrado de Administração de Recursos Humanos, SIAPE 5, é um sistema online, de abrangência nacional, que constitui-se, hoje, na principal ferramenta para gestão do pessoal civil do governo federal. Como ele é realizado mensalmente o pagamento de cerca de um milhão e trezentos mil servidores ativos, aposentados e pensionistas em 214 órgãos da administração pública federal direta, instituições federais de ensino, ex-territórios, autarquias, fundações e empresas públicas. Para acesso aos dados do SIAPE, o Ministério do Planejamento, Orçamento e Gestão idealizou o SIAPEnet, aplicativo que possibilita ao servidor efetuar consultas, atualização e impressão de dados extraídos diretamente do SIAPE. 4 O que é SIASG. Disponível em e acessado em 25/05/ O que é o SIAPEnet. Disponível em e acessado em 25/05/2010. Página 7 de 42

9 3. Assuntos relacionados: Data Mining, Text Mining, Business Inteligence, Banca: FCC Instituição: TCE/CE Cargo: Analista de Controle Externo - Auditoria de Tecnologia da Informação Ano: 2008 Questão: 74 É comum um determinado órgão público receber reclamações de pessoas sobre o atendimento do serviço. As reclamações recebidas são digitadas de forma apressada em um aplicativo de computador. O administrador do órgão pretende obter informações úteis para análise das reclamações. Assim, ele solicita o apoio tecnológico para atendimento dessa demanda. A equipe então adota, acertadamente, uma solução especíca para tratamento de dados semi-estruturados (o software utiliza uma ontologia de correlação de palavras e conceitos) conhecida por (a). data mart. (b). mining de texto. (c). star schema. (d). método preditivo. (e). mining colaborativo. Solução: Text Mining (mineração de texto) é o nome dado às técnicas de análise e extração de dados a partir de textos ou frases. Alguns dos objetivos da aplicação de técnicas de text mining são a descoberta de conceitos, padrões e tendências, além da classicação e sumarização automatizada de documentos. Text Mining surgiu inspirado no Data Mining, que é uma forma de descobrir padrões em bases de dados estruturadas. O Text Mining, por sua vez, procura extrair o conhecimento útil de textos não estruturados e semi-estruturados, como artigos cientícos, textos simples, documentos de organizações, páginas da web etc. Certamente, as técnicas de text mining podem ser aplicadas para solucionar o problema relatado na questão, que se baseia na extração de informações úteis das bases de dados de reclamações sobre os serviços de atendimento. Portanto, a resposta da questão é alternativa A. As técnicas de text minig vêm sendo utilizadas em áreas de grande relevância, como biomédicas, publicidade e segurança. Na área de segurança, por exemplo, os governos de alguns países vêm utilizando as técnicas para rastrear as atividades de organizações criminosas, por meio da análise de mensagens trocadas pela Internet. Já na área de publicidade, as técnicas são vastamente utilizadas pelos programas de aliados como o adwords, do Google, que seleciona os anúncios mais relevantes a serem exibidos com base no conteúdo da página Web, que é analisado usando técnicas de text mining. Página 8 de 42

10 4. Assuntos relacionados: Data Mining, Classicação de Dados, Agrupamento de Dados, Sumarização de Dados, Modelagem de Dependência entre Dados, Banca: ESAF Instituição: Agência Nacional de Águas (ANA) Cargo: Analista Administrativo - Tecnologia da Informação e Comunicação / Desenvolvimento de Sistemas e Administração de Banco de Dados Ano: 2009 Questão: 20 Para que uma empresa efetue a análise regular de dados gerados por visitantes do seu site Web, a m de personalizar a propaganda para clientes individualmente, ela deve utilizar (a). objetos distribuídos. (b). mineração de dados. (c). processamento analítico online (olap). (d). diretório de informações. (e). sistema de informação gerencial. Solução: Uma técnica de inteligência articial que trata o problema de ltragem de dados a partir de um repositório de informação é a mineração de dados. No contexto da Web, as técnicas e modelos de mineração de dados recebem como entrada uma variedade de dados, como formulário, estruturas de sites e textos em geral. A mineração é um processo de análise de dados publicados em sites com o intuito de procurar relações comuns (padrões), além de sumarização de dados em novas formas que são compreensíveis e úteis para uma empresa. A mineração de dados pode ser empregada em empresas para ajudar a descobrir padrões e tendências referentes ao uso da Web. As etapas básicas de mineração de dados são a exploração, modelagem ou construção do conhecimento e por m a validação dos padrões encontrados. Existem varias técnicas de mineração de dados como: classicação, clustering, sumarização, modelagem de dependência. Vamos apresentar uma breve descrição sobre essas técnicas. Classicação: construção de uma função que a partir de um conhecimento previamente estabelecido consegue classicar um conjunto de dados em uma ou várias classes predenidas; Clustering: utilizado para descoberta de agrupamento de dados que possuem características em comum. Uma categoria ou classe é representada por um conjunto de característica, desta forma, ao descobrir uma coleção de dados que possuem um grau de similaridade estão encontrando um conjunto de dados pertencente a alguma categoria não conhecida; Sumarização: essa técnica é utilizada para a construção de modelos que descrevem um conjunto de dados num formato facilmente interpretado; Modelagem de dependência: técnica responsável por encontrar dependência entre características de um conjunto de dados ou entre os valores deles. Usando técnicas de mineração de dados, tais como clustering e modelagem de dependência, um usuário em particular pode estar associado a outros usuários que exibem padrões de comportamento e preferências semelhantes. Então, para esses usuários são oferecidos links especícos por pertencerem a um mesmo perl. Uma empresa nesse caso pode ofertar promoções de acordo com sua preferência, isso é obtido com base em informações fornecidas Página 9 de 42

11 pelo agrupamento de usuários. Outro exemplo é, a partir de uma escolha de comprar de um cliente, pode-se agir da seguinte forma: Clientes que compraram este livro também comprariam... listar os livros relacionados com o tema. Concluindo, a mineração de dados pode ser usada como meio de oferecer um atendimento especializado a um cliente. Portanto, a questão correta é a letra B. Página 10 de 42

12 5. Assuntos relacionados: Banco de Dados, Modelo Multidimensional, Data Mart, Data Warehouse, Banca: CESGRANRIO Instituição: Petrobras Cargo: Analista de Sistemas - Eng. de Software Ano: 2008 Questão: 28 Um datamart será montado para análise das vendas. Consultas serão feitas com base em produtos, períodos, cidades e clientes. Assinale a armação correta sobre o modelo multidimensional a ser gerado. (a). É conveniente criar uma tabela para a dimensão DATA, para evitar cálculos com datas nas consultas SQL e facilitar as consultas por intervalos semanais, mensais, anuais, e similares. (b). Nenhum atributo da tabela PRODUTO, além da chave primária, deverá constar da tabela fato. (c). Pelas especicações, CIDADE deve ser, necessariamente, uma dimensão do modelo. (d). O modelo estará necessariamente no formato oco de neve (snowake). (e). QUANTIDADE é um fato não aditivo. Solução: Um datamart pode ser conceituado como um subconjunto dos dados de uma organização que são direcionados a propósitos bem especícos ou a pequenos grupos de pessoas que os utilizam como auxílio em tomadas de decisão. Os datamarts podem ser entendidos como subconjuntos de um data warehouse. Hoje é comum que as empresas comecem a construir o seu data warehouse a partir de datamarts focados em áreas bem especícas e, assim, irem expandindo até formarem o seu data warehouse. É preciso car claro que as diferenças entre datamart e data warehouse são apenas com relação ao tamanho e ao escopo do problema a ser resolvido. Portanto, as denições dos problemas e os requisitos de dados são essencialmente os mesmos para ambos. Enquanto um datamart trata de um problema departamental ou local, um data warehouse envolve o esforço de toda a empresa para que o suporte a decisões atue em todos os níveis da organização. Sabendo-se as diferenças entre escopo e tamanho, o desenvolvimento de um data warehouse requer tempo, dados e investimentos gerenciais muito maiores que de um datamart. Vamos apresentar, agora, alguns conceitos importantes em relação a data warehouse. Denimos fato como uma coleção de itens de dados composta de medidas. Esse valor numérico é denominado de medida. Por exemplo, caso se deseje analisar se as vendas em um determinado estado estão caindo, podemos denir um fato representando as vendas totais realizadas nas cidades de um determinado estado e analisar o resultado de suas medidas ao longo do tempo. Os fatos podem ser aditivos, semi-aditivos e não-aditivos. Um fato é aditivo quando ele pode ser agregado em todas as dimensões. Por exemplo, VENDAS pode ser agregado em Página 11 de 42

13 qualquer combinação das dimensões DATA, PRODUTO e CIDADE. Um fato é semi-aditivo quando ele não pode ser agregado em pelo menos uma dimensão. Por exemplo, o número de empregados é aditivo nos diferentes departamentos da empresa, mas não o é na dimensão DATA. Um fato é não-aditivo quando não pode ser agregado em nenhuma dimensão. Uma dimensão é uma coleção de atributos textuais que descrevem os objetos da organização, e que estão altamente relacionados uns com os outros. Os atributos dimensionais são a fonte para as restrições mais interessantes nas consultas a um DW e são virtualmente a fonte para os cabeçalhos de colunas do conjunto de respostas em SQL. Por exemplo, podemos adotar CIDADE como uma dimensão. Para isso, criaríamos uma tabela dimensão em que cada registro representa uma cidade e descreve outros detalhes da cidade através de seus atributos, como o estado ao qual ela pertence, por exemplo. Um dos esquemas mais utilizados para representar um data warehouse é o esquema estrela. Esse esquema é chamado de estrela por apresentar a tabela de fatos dominante no centro do esquema e as tabelas de dimensões nas extremidades. O esquema estrela pode ser estendido de maneira que cada uma das pontas da estrela passa a ser o centro de outras estrelas. Por exemplo, a dimensão CIDADE poderia ser decomposta de maneira que haja outra tabela representando os estados e outras informações relacionadas a ele. Essa decomposição seria basicamente um processo de normalização. Vamos, agora, analisar as alternativas. A alternativa (A) está correta. Ao criarmos uma tabela dimensão DATA, podemos criar um fato que represente a soma das vendas em cada um dos dias ou em cada uma das semanas, meses ou anos. Como os valores da tabela já estão calculados, uma consulta que precise saber a quantidade de vendas em um determinado período de tempo terá um custo muito menor. A alternativa (B) está incorreta, pois no dimensionamento de um data warehouse, somos livres para denir nossos fatos. No caso especíco, um fato que só tivesse a chave primária da tabela PRODUTO não teria interesse nenhum para os negócios, pois, em geral, os fatos devem estar associados a valores que tenham representatividade, como a quantidade vendida de um determinado produto, por exemplo. O mesmo argumento dado anteriormente serve para as alternativas (C) e (D). Há algumas modelagens que são mais interessantes que outras, dependendo do objetivo que se deseja alcançar, mas não há nenhuma restrição como as indicadas nas alternativas (C) e (D) para a determinação de um modelo de data warehouse. A alternativa (E) está errada, pois QUANTIDADE nem é um fato. Página 12 de 42

14 6. Assuntos relacionados: Banco de Dados, Modelo Relacional, Data Warehouse, Modelo Multidimensional, Data Mart, ROLAP, OLAP, Banca: CESGRANRIO Instituição: Petrobras Cargo: Analista de Sistemas - Eng. de Software Ano: 2008 Questão: 66 A respeito de sistemas de informações gerenciais, são feitas as armativas a seguir. I - Uma das diferenças entre bancos de dados relacionais e multidimensionais diz respeito ao compromisso entre performance e escalabilidade: bancos de dados relacionais proporcionam consultas mais rápidas, enquanto bancos de dados multidimensionais lidam melhor com grandes quantidades de informações armazenadas. II - ROLAP se refere a um tipo de solução OLAP que utiliza um bancos de dados relacional. III - Quando um projeto inicia por datamarts departamentais especializados que mais tarde se consolidam em um data warehouse institucional, existe uma chance maior de surgirem problemas de inconsistência de metadados do que quando um data warehouse institucional dá origem a datamarts departamentais. IV - Para melhoria de performance, as tabelas em data warehouses, em geral, estão nas formas normais mais altas (considerando que 5 FN é mais alta que 1 FN). Estão corretas APENAS as armativas (a). I e II (b). I e III (c). I e IV (d). II e III (e). III e IV Solução: OLAP (Online Analytical Processing) é uma abordagem que possibilita viabilizar consultas em uma análise multidimensional de dados. O termo é usado em contraste com o termo OLTP (Online Transaction Processing), que é uma abordagem largamente utilizada em ambientes transacionais. Em um ambiente transacional, há constante entrada de dados e consultas simples. Além disso, é exigido, em um ambiente transacional, que a resposta ao usuário seja imediata. Um exemplo é quando você acessa um site de um banco: você quer fazer transferências ou conferir as transações em sua conta corrente e uma demora considerável é inaceitável. Entretanto, enquanto as abordagens OLTP são extremamente adequadas em diversas situações, elas se mostram inadequadas, em alguns casos, ao acesso às informações gerenciais como a produção de relatórios de vendas, contábeis e nanceiros. Nesse ponto, é que a abordagem OLAP é importante. Os bancos de dados que utilizam OLAP são projetados em modelos de dados multidimensionais que possibilitam executar consultas complexas em um tempo muito menor baseando-se, principalmente, em desnormalizações e em agregações. Um banco de dados OLAP pode ser armazenado de várias maneiras. Em uma arquitetura ROLAP (relacional), os dados são armazenados em banco de dados relacionais. Já em Página 13 de 42

15 uma arquitetura MOLAP (multidimensional), os dados são armazenados em cubos dimensionais, em geral em formatos proprietários, e não em banco de dados relacionais. HOLAP (híbrido) tenta combinar as vantagens de MOLAP e ROLAP, extraindo o que há de melhor de cada uma, ou seja, a alta performance do MOLAP com a melhor escalabilidade do RO- LAP. Outras siglas são utilizadas para representar arquiteturas, mas são pouco utilizadas: WOLAP (Baseado em Web), DOLAP (Desktop) e RTOLAP (Real-Time). Vamos analisar as armativas da questão: I como já foi dito, os bancos de dados relacionais podem ser utilizados para armazenar bancos de dados modelados da maneira OLAP (multidimensional). As principais motivações para esse uso é a incrível escalabilidade dos bancos de dados relacionais e a grande disponibilidade de ferramentas. Já uma arquitetura MOLAP (multidimensional) é construída, de forma otimizada, em estruturas de dados que possibilitam a melhoria de desempenho em consultas. Ou seja, a armação está incorreta, pois arma justamente o contrário; II é verdadeira, como já explicado acima; III é verdadeira, pois quando uma empresa guia o projeto de forma centralizada e com políticas estabelecidas, ela diminuirá as chances de problemas de inconsistência em metadados. Caso contrário, cada departamento terá sua forma de pensar sobre a criação de metadados e dicultará a integração no futuro; IV a armativa está incorreta, pois um dos principais recursos utilizados em um OLAP para aumentar o desempenho é a desnormalização das tabelas. A desnormalização é utilizada para diminuir o custo com operações de junções (joins) entre tabelas. Página 14 de 42

16 7. Assuntos relacionados: Data Warehouse, Banco de Dados, Data Mining, Business Inteligence, On-line Analytical Processing, On-Line Transaction Processing, Banca: FCC Instituição: TRT 2a Região Cargo: Analista Judiciário - Tecnologia da Informação Ano: 2008 Questão: 37 No âmbito do OLAP, grácos de produtos são generalizações da estrutura de... apresentada por HRU (Harinarayan, Rajaraman e Ullman), na qual as dimensões podem ter hierarquias associadas. Preenche corretamente a lacuna: (a). tabela. (b). roll-up. (c). data mart. (d). hipercubo. (e). drill-down. Solução: Antes de partirmos para a solução da questão, faremos uma breve revisão sobre On-line Analytical Processing (OLAP). O uso da tecnologia da informação possibilitou o armazenamento de grande volume de dados em meio magnético, gerando a necessidade de recuperá-los e analisá-los. As aplicações On-Line Transaction Processing (OLTP) são estruturadas e repetitivas, que manipulam transações curtas, atômicas e isoladas, atendendo apenas a manipulação de dados operacionais, o que não era suciente para apoiar o usuário na tomada de decisões estratégicas. A partir dos requisitos dos usuários e de tecnologias existentes, foram elaborados conceitos e desenvolvidas soluções que alavancassem o processo de Business Inteligence (BI). A primeira das soluções foi a linguagem APL, base utilizada no desenvolvimento de aplicações On-line Analytical Processing (OLAP). Como o armazenamento dos dados para atender às necessidades destas aplicações não seria solucionado por bancos de dados relacionais, novos conceitos de armazenamento de informações foram implementados através de bancos de dados nomeados de Data Warehouse (DW). Além do suporte para a tomada de decisão estratégica, surgiu a necessidade de aplicação de heurística para obter informações que direcionem o futuro dos negócios, e estas estão sendo implementadas através de ferramentas de Data Mining (DM). A aplicação OLAP soluciona o problema de síntese, análise e consolidação de dados, pois é o processamento analítico online dos dados. Tem capacidade de visualizações das informações a partir de muitas perspectivas diferentes, enquanto mantém uma estrutura de dados adequada e eciente. A visualização é realizada em dados agregados, e não em dados operacionais porque a aplicação OLAP tem por nalidade apoiar os usuários nais a tomar decisões estratégicas. Os dados são apresentados em termos de medidas e dimensão, a maior parte das dimensões é hierárquica. Página 15 de 42

17 Para melhor enfatizar a diferença entre sistemas OLPT e OLAP, consideremos o escopo bancário. Neste escopo, as aplicações bancárias utilizadas diariamente no controle de contas correntes, na qual são efetuados saques ou depósitos pelos correntistas, compõem um exemplo típico de sistema de OLTP. O interesse destes usuários é criar, atualizar e recuperar informações sobre registros individuais. Já para o Gerente de Conta Correntes os requisitos de uso de informações dos dados das contas têm por nalidade a análise global de contas correntes com diversas visões. Por exemplo, o Gerente de Contas pode requerer uma análise sobre o desempenho de contas correntes que tenham cheque especial e tenham utilizado o valor máximo dos mesmos em um determinado período de tempo em algumas regiões. Obter a resposta a esta consulta mais complexa fazendo uso de ferramentas relacionais padrão, não fornece solução requerida, pois estas ferramentas nunca pretenderam fornecer poderosas funções de síntese, análise e consolidação de dados. Após esta breve revisão sobre OLAP, partimos para a solução da questão. HRU (Harinarayan, Rajaraman e Ullman) introduziram a possibilidade de gerar um cubo utilizando outros, evidenciando as relações de dependência existentes ou lattice de dependências (lattice de dependências é um conjunto de todas as agregações possíveis e respectivas dependências). Em linhas gerais, as dimensões de um cubo de dados proposto por HRU consiste em mais de um atributo. Essas dimensões são organizadas como hierarquias desses atributos. Um exemplo simples para melhor entendimento destas hierarquias pode ser observado na organização do tempo, levando-se em conta as dimensões: dia, semana, mês e ano. Quando possuímos mais de 3 (três) dimensões, chamamos de hipercubo. Portanto a alternativa D é a CORRETA. Somente a título de curiosidade, saiba que o enunciado desta questão foi retirado de um trecho dá página 176 do livro Database Modeling & Design (Product graph are a generalization of the hypercube lattice structure introduced by Harinarayan, Rajaraman and Ullman, where dimensions may have associated hierarchies.). Apenas para complementar ainda mais a solução da questão, elucidamos abaixo qualquer dúvida sobre dimensão, cubo, roll-up, data mart e drill-down (não há necessidade de explicar o signicado de tabela): dimensão: unidade de análise que agrupa dados de negócio relacionados. As dimensões se tornam cabeçalho de colunas e linhas, como exemplo linhas de produto, regiões de venda ou períodos de tempo; cubo: trata-se de uma estrutura que armazena os dados de negócio em formato multidimensional, tornando-os mais fácil de analisar; roll-up: a operação de roll-up permite realizar agregações ao subir na hierarquia de uma dimensão. Por exemplo, uma operação que agrega os dados subindo na hierarquia do nível cidade para o nível país; data mart: são Data Warehouses departamentais focados em um determinado assunto (por exemplo, um data mart de mercado poderia incluir clientes, produtos e informações de venda), permitindo, assim, uma boa visão de determinados aspectos da organização, embora não contenham todas as informações da organização como um todo; drill-dow: a operação de drill-down é inversa à operação de roll-up, permitindo passar de um nível de menor detalhe para um nível de maior detalhe. Por exemplo, uma operação que desagrega os dados descendo na hierarquia do nível país para o nível cidade. Página 16 de 42

18 8. Assuntos relacionados: ERP, Banca: Cesgranrio Instituição: BR distribuidora Cargo: Analista de Sistemas - Desenvolvimento Ano: 2008 Questão: 64 Os módulos de Contas a Pagar, Contas a Receber, Faturamento e Contabilidade compõem, tipicamente, tipo de sistema (a). CRM analítico (b). Data Warehouse (DW) (c). ERP (d). ECM (e). BSC Solução: Os sistemas de ERP - Enterprise Resource Planning - visam à integração entre todos os setores produtivos da empresa, conectando-os através de processos bem denidos, onde cada um tem suas responsabilidades bem delimitadas e o negócio é visto todo sob a perspectiva dos processos que o regem. Para atingir esse objetivo, sistemas de ERP conectam, geralmente em uma solução única, vários módulos aplicativos das diversas áreas da empresa. Assim, um típico sistema ERP integra os módulos de contas a pagar, contas a receber e vários outros. Como seu enfoque são os processos, o sistema também deve prever módulos de RH para administração de pessoal, módulos de controle de estoque e, na losoa mais recente, módulos voltados à modelagem dos processos da empresa e integração automática desses esses módulos de acordo com os uxos dos processos mapeados. Os grandes desenvolvedores de soluções ERP no mercado atual são a SAP e a Oracle. Há diversas outras empresas que também fornecem soluções interessantes, além de opções em software livre. De acordo com a explicação, a resposta correta à questão é a letra (C). Entretanto, para entendermos ao menos a ideia básica dos demais itens elencados nas outras opções, vejamos de forma rápida suas denições: CRM analítico: ferramentas de CRM - Customer Relationship Management - dirigemse ao trato das informações no relacionamento das empresas com seus clientes. Há dois tipos básicos de CRM: o operacional e o analítico. O CRM operacional é voltado para o registro de toda interação entre cliente e empresa. O CRM analítico pode ser encarado como um subconjunto de ferramentas de BI (Business Intelligence) voltadas para a análise dos dados coletados pelo CRM Operacional. De acordo com o documento CRM Operacional, disponível no site A parte incluída no CRM Analítico visa aqui aferir métricas operacionais, geralmente ligadas a custo e performance, que nada mais são do que análise de cubos para vericar, por exemplo, hits na webstore por campanha, vendas por hits, percentual de acerto por chamado ativo, custo/ticket médio por chamado, etc. Data Warehouse (DW): o mote dos sistemas de DW é a consolidação de dados operacionais, geralmente extraídos de sistemas OLTP (On Line Transaction Processing - sistemas de processamento online de informações) corporativos, gerando dados Página 17 de 42

19 analíticos que servirão de base em decisões estratégicas de negócio. Nesses sistemas, os dados são trabalhados de forma a expressar a informação necessária ao corpo diretor da empresa, agregando informação de diferentes sistemas da empresa. A manipulação desses dados dá origem aos cubos, que são elementos que permitem enxergar os dados a partir de diversas perspectivas atinentes ao negócio. A subtração de dados de uma área especíca é conhecida como Data Mart. Os Data Marts dão direções sobre um departamento ou um produto da empresa. Em última análise, podemos considerar que a união de todos os Data Marts de uma empresa gera seu Data Warehouse. ECM: Enterprise Content Management é o nome dado aos sistemas que têm por vocação armazenar, em formato digital, os documentos - tanto os digitalizados de papel quanto os naturalmente eletrônicos - de uma empresa e permitir o acesso a eles de forma rápida e precisa. Estes sistemas armazenam, além dos documentos em si, os dados mais relevantes destes, de forma a tornar a pesquisa de documentos algo simples e de fácil acesso a todos que deles precisem. BSC: Balanced Scorecard é uma metodologia disponível e aceita no mercado desenvolvida pelos professores da Harvard Business School, Robert Kaplan e David Norton, em Os passos dessa metodologia incluem: denição da estratégia empresarial, gerência do negócio, gerência de serviços e gestão da qualidade; passos estes implementados através de indicadores de desempenho. A ideia é, utilizando informações dos diversos sistemas OLTP da empresa, gerar indicadores voltados não apenas aos aspectos nanceiros, mas ao negócio da empresa como um todo: clientes, processos internos, nanceiro e aprendizado e crescimento, conforme ilustra a Figura 1. Figura 1: visão estratégica do BSC. Página 18 de 42

20 9. Assuntos relacionados: Data Warehouse, On-line Analytical Processing, Banca: Cesgranrio Instituição: Petrobras Cargo: Analista de Sistemas - Processos de Negócio Ano: 2008 Questão: 27 Em um banco de dados multidimensional, os dados estão conceitualmente armazenados e organizados em (a). classes e objetos. (b). cubos e hipercubos. (c). partições e índices. (d). consultas materializadas e sumários. (e). estrelas e constelações. Solução: Com a crescente quantidade de dados disponíveis, o recurso a data warehouses torna-se cada vez mais necessário e frequente. Apesar disso, o conceito de data warehouse não tem uma denição única. Normalmente, o termo é utilizado para se referir a uma base de dados que é mantida separada da base de dados operacional de uma organização e que está integrada com vários sistemas que permitem efetuar o processamento e análise dos dados. Uma das denições mais usadas defende que a data warehouse é um conjunto de dados organizados em torno de um determinado tópico, resultante da integração de diferentes fontes de dados, mantidos de forma persistente e que expressa uma perspectiva histórica desses dados. Esta separação entre a base de dados operacional e a data warehouse promove a eciência e desempenho de cada um dos sistemas, levando-se em conta os diferentes ns a que se destina. A principal função das bases de dados operacionais é a realização de transações online e processamento de consultas (queries), sendo esse conjunto de operações conhecido como processamento de transações online (online transaction processing - OLTP). Em oposição, as data warehouses têm por objetivo servir de suporte à análise de dados e tomada de decisões, pelo que sobre elas são realizados outros tipos de operações. Normalmente, tratam-se de operações que manipulam grandes quantidades de dados históricos, permitindo a realização de sumarizações e agregações e a gestão de informação em diferentes níveis de granularidade. A este tipo de operações dá-se o nome de processamento analítico online (online analytical processing - OLAP). De uma forma genérica, uma data warehouse é composta por uma tabela de fatos, onde se encontram os dados que podem ser objeto de análise, e tabelas de dimensões, que armazenam os dados sobre as perspectivas segundo as quais os fatos podem ser analisados. Tanto as data warehouses como as operações OLAP são baseadas no modelo multidimensional, em que os dados são visualizados sob a forma de um cubo. Um cubo é denido por um conjunto de dimensões e de fatos. De uma forma genérica, as dimensões são as perspectivas ou entidades em relação às quais os fatos se referem. Por exemplo, uma empresa pode manter uma data warehouse de vendas como forma de manter registros sobre as suas vendas no que se refere aos itens vendidos, à lial em que foram vendidos e à data de venda. Cada dimensão pode estar associada a uma tabela que pormenoriza a sua descrição. Quanto aos fatos, estes são medidas numéricas correspondentes ao principal objetivo da data warehouse, no nosso exemplo, o número de unidades Página 19 de 42

21 vendidas ou o volume total de vendas em dinheiro. A m de melhor esclarecer este conceito, considere as quatro tabelas apresentadas na Figura 2, que representam a informação sobre as vendas de uma determinada organização apresentada em função do tempo (Tempo), do tipo de item vendido (Item) e da cidade (Localização) em que a venda foi feita. Figura 2: volume de vendas em função do tempo, tipo de item e localização (gura retirada do livro Data Mining: Concepts and Techniques). As tabelas acima equivalem conceitualmente ao cubo 3D da Figura 3. Supondo que se pretendesse adicionar outra dimensão, designada como Fornecedor, à informação das tabelas acima, obter-se-ia um cubo 4D, o que não é trivial de representar ou visualizar. Quando um cubo de dados tem mais de três dimensões ele é chamado de hipercubo e para visualizar os dados em um hipercubo é preciso recorrer a outros tipos de representação (modelos Star e Snowake). Portanto, a alternativa B é a correta. Página 20 de 42

22 Figura 3: representação sob a forma de cubo 3D das tabela acima (gura retirada do livro Data Mining: Concepts and Techniques). Página 21 de 42

23 10. Assuntos relacionados: Banco de Dados, Modelagem Multidimensional, Modelo Relacional, Banca: Cesgranrio Instituição: Petrobras Cargo: Analista de Sistemas Pleno - Processos Ano: 2006 Questão: 44 Considerando os modelos multidimensionais de bancos de dados de sistemas de informações gerenciais e modelos relacionais utilizados em sistemas operacionais, é correto armar que: (a). tanto modelos de sistemas operacionais quanto modelos multidimensionais apresentam uma visão consolidada dos dados. (b). modelos multidimensionais usualmente possuem esquemas mais complexos que os dos modelos relacionais utilizados nos sistemas que processam transações on-line. (c). embora bases de dados multidimensionais sejam voltadas para sistemas com menos usuários que os sistemas de processamento de transações on-line (operacionais), devem estar projetadas para que cada usuário acesse um número de linhas muito maior, em cada uma de suas operações, do que fazem os usuários dos sistemas operacionais. (d). ambos os modelos visam a manter um histórico completo das operações realizadas, no mesmo nível de detalhe. (e). a taxa de realização de transações de atualização, pelos usuários, nos sistemas operacionais é extremamente menor do que a existente nos sistemas de informações gerenciais. Solução: Os sistemas de bancos de dados podem ser didaticamente classicados de acordo com as estruturas de dados e os operadores que apresentam. Assim, tem-se os sistemas de lista invertida, os sistemas hierárquicos e os sistemas em rede (todos pré-relacionais); os sistemas relacionais, os sistemas objeto-relacionais, os sistemas multidimensionais, os sistemas baseados em lógica e os sistemas semi-estruturados, dentre outros. Os sistemas relacionais baseiam-se em uma teoria formal conhecida como modelo relacional, segundo a qual os dados são representados por linhas em tabelas. Os modelos relacionais, em geral, são utilizados em sistemas operacionais de bancos de dados (também conhecidos como Sistemas OLTP Online Transactional Processing Sistemas de Processamento de Transações On-line), isto é, sistemas que normalmente têm exigências estritas de desempenho, cargas de trabalho previsível, pequenas unidades de trabalho e utilização elevada em termos de quantidade de usuários (por exemplo, um banco de dados de Departamento e Empregados). Os sistemas de informações gerenciais (também conhecidos como sistemas de decisões gerenciais ou, ainda, sistemas de apoio à decisão) são sistemas que ajudam na análise de informações de negócio. Podem ser implementados em sistemas de bancos de dados, por exemplo, através de data warehouse, data mart, depósito de dados operacionais, processamento analítico on-line (OLAP), bancos de dados multidimensionais e mineração de dados. Um banco de dados multidimensional é aquele no qual os dados estão armazenados logicamente nas células de um array multidimensional. O OLAP (Online Analytical Processing Página 22 de 42

24 Processamento Analítico On-line) é o processo interativo de criar, gerenciar, analisar e gerar relatórios sobre estes dados multidimensionais. Dada a nalidade de apoio a decisões, normalmente os sistemas de banco de dados multidimensional têm requisitos de desempenho variáveis, cargas de trabalho imprevisíveis, grandes unidades de trabalho e utilização irregular por parte dos usuários (relativamente baixa, quando comparada à utilização de sistemas operacionais). Diferentemente dos bancos de dados operacionais, os bancos de dados de apoio à decisão geralmente envolvem dados históricos detalhados, já que as decisões envolvidas normalmente consideram estatísticas e tendências baseadas em registros de atividades anteriores (históricos). Além disso, os sistemas multidimensionais buscam apresentar uma visão consolidada dos dados, facilitando, desta forma, a tomada de decisões que requerem o cruzamento de diversas informações armazenadas, o que não ocorre em modelos operacionais. A assertiva (A) está incorreta, conforme comentário nal do parágrafo anterior. A arquitetura de um banco de dados é composta por três níveis: interno, conceitual e externo. Este último refere-se a visão que os usuários nais têm do banco (por exemplo, os dados que são retornados para uma aplicação escrita em Java). Os dois primeiros níveis são descritos por esquemas interno (ou físico) e conceitual (ou lógico), respectivamente. Tais descrições se dão com o uso de DDLs (Data Denition Language Linguagem de Denição de Dados). A DDL interna, que descreve o esquema interno do banco, dene os diversos tipos de registros armazenados, especica quais índice existem, como os campos armazenados estão representados, em que sequência física os registros estão armazenados, e assim por diante. A DDL conceitual, por sua vez, inclui denições de cada um dos vários tipos de registros conceituais (as tabelas de um modelo relacional, por exemplo). Essas denições têm por nalidade adicional, denir restrições de segurança e de integridade. Para atingir a independência física dos dados, as denições de DDL conceitual não devem envolver quaisquer considerações sobre a representação física ou a técnica de acesso. Assim, denir o esquema conceitual de um modelo relacional e de um modelo multidimensional não difere em termos de complexidade. Conclui-se, portanto, pela inexatidão da sentença da letra (B). Conforme explanado anteriormente, as bancos de dados multidimensionais possuem grandes unidades de trabalho (isto é, cada usuário acessa um número grande de linhas de dados), e, portanto, devem ser projetados visando atender satisfatoriamente tal demanda. A situação é invertida quando o projeto é de bancos de dados operacionais, pois, apesar do maior número de usuários, suas unidades de trabalho são bem menores. A letra (C) está correta ao apresentar tais conceitos. A letra (D) está incorreta, pois apenas os modelos de bancos de dados multidimensionais têm como característica preponderante a manutenção de históricos completos e detalhados das operações realizadas, haja vista sua função principal de gerar relatórios com base em estatísticas de transações anteriores. Por lidar, em geral, com dados históricos, os bancos de dados de sistemas de informações gerenciais tendem a não sofrer atualizações em suas bases de dados, caracterizando-se por serem principalmente (mas, não exclusivamente) somente leitura. Assim, a letra (E) está incorreta. Página 23 de 42

25 11. Assuntos relacionados: Banco de Dados, Sistemas de Informações Gerenciais, Data Warehouse, Modelagem de Dados, Modelagem Multidimensional, Modelo Estrela, Banca: Cesgranrio Instituição: Petrobras Cargo: Analista de Sistemas Pleno - Processos Ano: 2006 Questão: 45 Bases de dados de sistemas de informações gerenciais são projetadas, muitas vezes, em um esquema denominado estrela que: (a). é uma arquitetura física que permite denir somente estruturas unidimensionais de dados. (b). é composta por uma tabela central, denominada de dimensão, e várias tabelas periféricas a ela relacionadas, denominadas fatos. (c). apresenta tabelas periféricas que se encontram desnormalizadas. (d). faz com que a expansão e a evolução da base de dados necessite de grande atividade de manutenção. (e). é um esquema onde o número de junções realizadas é relativamente maior que o realizado em bases de dados relacionais convencionais. Solução: Um datawarehouse (também conhecido como armazém de dados) é um sistema de computação utilizado para armazenar informações relativas às atividades de uma organização em um banco de dados de forma consolidada. O desenho da base de dados dos datawarehouses favorece a geração de relatórios, a análise de grandes volumes de dados, e a obtenção de informações estratégicas que podem facilitar a tomada de decisão. Os datawarehouses são, portanto, a base dos sistemas de informações gerenciais. A técnica de modelagem de dados utilizada para a implementação de datawarehouses é conhecida como Modelagem Multidimensional de Dados. Logo, a alternativa A está errada. O principal objetivo da modelagem multidimensional de dados é facilitar a compreensão do estruturamento dos dados armazenados, tanto para desenvolvedores quanto para os usuários do sistema. Neste tipo de modelo existem três elementos básicos: os fatos, as dimensões e as medidas. Os Fatos são uma coleções de itens de dados compostos de dados de medidas e de contexto. O fato reete a evolução dos negócios do dia-a-dia, e é representado por valores numéricos. Os fatos são armazenados nas chamadas tabelas de fato, que são as tabelas centrais dos modelos dimensionais. As Dimensões são os elementos que participam de um fato. Elas determinam o contexto de um assunto de negócios. As dimensões, normalmente, não possuem valores numéricos, sendo somente descritivas e classicatórias dos elementos que participam de um fato. Um datawarehouse que analisa vendas de um produto (fato) poderia ter as seguintes dimensões, por exemplo: tempo, localização, clientes, vendedores. Os dimensões são armazenadas nas chamadas tabelas de dimensão, que são as tabelas periféricas dos modelos dimensionais. Página 24 de 42

26 Logo, a alternativa B está errada, pois a tabelas centrais do modelo são as tabelas de fatos, e não as tabelas de dimensões. Por m, temos as Medidas. As Medidas (ou Variáveis) são os atributos numéricos que representam um fato, e é sobre eles que são feitas as análises do negócio. Medidas são, por exemplo, o valor em reais das vendas e a quantidade de unidades vendidas. Feita esta breve introdução sobre os conceitos primários do modelo multidimensional, vamos agora conhecer os dois modelos dimensionais básicos, que são o Modelo Estrela e o Modelo Floco de Neve. No modelo estrela existe uma tabela dominante no centro do esquema, chamada tabela de fato (fact table), que possui múltiplos relacionamentos para as tabelas periféricas, chamadas tabelas de dimensão (dimension tables). O modelo Floco de Neve é bem semelhante ao modelo estrela. A única diferença entre eles é que, no modelo Floco de Neve, as tabelas de dimensão são normalizadas, dando origem a uma hierarquia de dimensões. As guras 4 e 5 ilustram os modelos estrela e oco de neve, respectivamente. Figura 4: Modelo Estrela. Figura 5: Modelo Floco de Neve. Um aspecto importante sobre os modelos estrela e oco de neve é que ambos também são favoráveis ao desempenho nas consultas. Tal obetivo é alcançado pela menor quantidade de operações de junção que o SGBD precisa realizar para responder a consultas complexas. No modelo estrela isso é ainda mais evidente, visto que não há hierarquias de dimensões e, consequentemente, uma menor quantidade de relacionamentos entre as tabelas. Com isso, Página 25 de 42

27 a alternativa E também está errada. A alternativa D está errada pelo fato de os bancos de dados desse tipo, destinam-se, primordialmente a realização de consultas. Muito embora sejam necessárias cargas de dados periódicas e em grandes volumes, comparativamente aos bancos de dados dos sistemas transacionais, os bancos de dados dos datawarehouses exigem menos manutenção. Portanto, a resposta correta é alternativa C. Página 26 de 42

28 12. Assuntos relacionados: Modelagem de Negócio, Modelagem Multidimensional, Banca: Cesgranrio Instituição: Petrobras Cargo: Analista de Sistemas Pleno - Processos Ano: 2006 Questão: 46 Sobre o processo de modelagem multidimensional, assinale a armação INCORRETA. (a). Busca-se obter um modelo que possibilite a realização, pelos usuários, de grandes quantidades de operações de atualização dos dados. (b). A denição dos fatos em um modelo pode ser obtida através da identicação da resposta à pergunta o que está sendo medido?. (c). A identicação de padrões de acesso pode levar a realização de pré-sumarizações (pré-agregação) dos dados, de forma a acelerar à realização de consultas. (d). As dimensões, usualmente, estão relacionadas com as respostas a perguntas como: quando?, o que?, onde? e quem?. (e). O modelo multidimensional é orientado a assuntos. Solução: (A) ERRADA A modelagem multidimensional (MM) é uma técnica de projeto lógico que busca apresentar os dados em um padrão, para permitir a recuperação adequada e exível dos dados. A MM supera os modelos complexos, denindo como o usuário terá acesso à informação. A modelagem multidimensional deve ser muito mais próxima de como os usuários pensam sobre a informação. Deve resolver quaisquer ambiguidades semânticas que estão no modelo de negócio. Concluindo, a modelagem multidimensional facilita a realização de consultas por usuários não-técnicos, acelerando o desempenho destas consultas. (B) CORRETA Os fatos são uma coleção de dados de medidas, normalmente representados por dados numéricos. Estes dados numéricos são as medições relativas ao negócio da empresa. Na modelagem multidimensional a tabela de fatos é responsável pelo armazenamento das medidas numéricas do negócio. Cada fato representa um item, uma transação ou um evento de negócio que é utilizado na análise de uma organização. (C) CORRETA A modelagem multidimensional é uma forma de modelagem de dados conceitual voltada para concepção e visualização de conjuntos de medidas que descrevem aspectos comuns de um determinado assunto. É utilizada especialmente para sumarizar e reestruturar dados, apresentando-os em visões que suportem a análise dos valores envolvidos. A modelagem multidimensional é projetada para coletar, padronizar e sumarizar os dados gerados pelos diversos sistemas de uma empresa com a nalidade de disponibilizar informação a partir da realização de consultas. Página 27 de 42

29 (D) CORRETA As tabelas dimensões são os elementos que participam de um fato, assunto ou negócio. As dimensões determinam um contexto de um assunto de negócios. Por exemplo, em um banco de dados que analisa as vendas de produtos, as dimensões que participam desse fato vendas (o que?) geralmente são: Tempo (quando?), Localização (onde?), Cliente e Vendedores (quem?). Dimensões não possuem valores numéricos, pois são descrições textuais dos elementos que participam de um fato. As dimensões são possíveis formas de visualização dos dados. (E) CORRETA A modelagem multidimensional é uma técnica de concepção e visualização de um modelo de dados de um conjunto de medidas que descrevem um assunto de negócio. Sua utilização ajuda na sumarização e reestruturação dos dados e apresenta visões que suportam a análise dos valores destes dados. As dimensões são elementos que participam de um assunto de negócios, são os pontos de vista pelos quais serão feitas as análises dos fatos. Cada dimensão faz parte de um fato e, normalmente, não existem valores quantitativos dentro das tabelas das dimensões, apenas atributos descritivos (assuntos), devido ao fato que elas são usadas para a classicação dos fatos. Portanto, a resposta incorreta é alternativa A. Página 28 de 42

30 13. Assuntos relacionados: Data Warehouse, Modelagem Multidimensional, Modelo Estrela, Banca: Cesgranrio Instituição: Petrobras Cargo: Analista de Sistemas Júnior - Processos de Negócio Ano: 2008 Questão: 26 A empresa passou a sortear cupons de desconto para alguns clientes, os quais dão direito a um desconto nas compras em uma determinada data. A informação sobre que clientes possuem cupons para que datas é mantida de forma independente e consolidada no processo de extração, transformação e carga, resultando em um campo, na tabela fato, indicando se a venda foi realizada com o desconto ou não. A solução parecia atender bem às demandas dos usuários do data warehouse, até que um deles tentou realizar uma consulta para saber quais clientes não haviam realizado compras, mesmo tendo um cupom de desconto para a data. Este tipo de demanda tipicamente será resolvido introduzindo, no data warehouse, uma (a). tabela de fatos complementares (complimentary fact table). (b). tabela de fatos sem dimensão (dimensionless fact table). (c). tabela de fatos sem fatos (factless fact table). (d). dimensão multivalorada (multivalued dimension). (e). dimensão degenerada (degenerated dimension). Solução: A força do data warehouse dentro das empresas está na organização e na entrega de dados que apóiem o processo de tomada de decisão. O data warehouse é a implementação física de um modelo de apoio a decisões, que disponibiliza à empresa as informações necessárias à tomada de decisões estratégicas. Podemos vê-lo como um repositório de dados com as seguintes características: baseado em assuntos: o data warehouse está organizado de maneira que descreve o desempenho dos negócios; integrados: os dados são organizados para fornecer uma fonte única; variáveis em relação ao tempo: o desempenho de negócio é medido em pontos cronológicos; não-voláteis: sugere que os dados, uma vez inseridos no data warehouse, não devem mudar (lembre-se que o conteúdo dos bancos de dados operacionais muda cada vez que uma transação é processada); Um data warehouse suporta análise de negócios e tomada de decisões através da integração de dados (planilhas e arquivos) procedentes de diversos sistemas em uma base de dados consolidada (onde as informações são unicadas e padronizadas em um mesmo local). Em outras palavras, o data warehouse é uma base de dados projetada especicamente para atender às necessidades de tomada de decisão, em vez de atender aos sistemas de processamento de transações. Ao chegar neste ponto, a seguinte dúvida pode surgir na cabeça do leitor: como realizar o projeto lógico de um data warehouse? Bom, o projeto pode ser realizado tanto através da modelagem entidade-relacionamento quanto pela modelagem dimensional, mas aqui abordaremos apenas a última. Página 29 de 42

31 A modelagem dimensional é a técnica de projeto lógico de banco de dados mais usada no desenvolvimento de data warehouses. Um modelo dimensional é composto por uma tabela central com uma chave composta, denominada tabela de fatos, e um conjunto de tabelas menores conhecidas como tabelas de dimensão, que possuem chaves simples (formadas por uma única coluna). Na verdade, a chave da tabela de fatos é uma combinação das chaves das tabelas de dimensão. Nesta modelagem, o relacionamento das informações pode ser representado como um cubo. Desta forma, podemos fatiar este cubo e aprofundar em cada dimensão ou eixo para extrair mais detalhes sobre os processos internos que ocorrem na empresa, detalhes estes que seriam difícieis de serem extraídos e analisados em um modelo relacional. Mas, neste escopo, o que seriam dimensão e tabela de fatos? Uma dimensão é uma coleção de atributos textuais que são altamente correlacionados entre si. Em uma base de dados de varejo são comuns dimensões como produto, armazém, cliente, promoção e tempo. Já a tabela de fatos sintetiza o relacionamento existente entre as diversas dimensões. Isto ocorre porque a chave da tabela de fatos é a associação das chaves primárias das tabelas de dimensões. Geralmente este tipo de tabela possui um ou mais fatos numéricos que ocorrem na combinação de chaves que dene cada registro. No caso da empresa em questão, um projetista de data warehouse visualizaria as informações presentes no enunciado como um hipercubo (cubo com mais de três dimensões, o que é impossível de desenhar gracamente) que pode ser descrito com as seguintes dimensões: Tempo: usada por quase todos data warehouse. Deve ter detalhes sobre o calendário para que facilite pesquisas estratégicas, então a dimensão tempo não deve ter somente a data em que o produto foi vendido, mas deve conter informações como dia no mês, dia na semana, número do dia na semana, mês, número do mês no ano, ano, etc.; Cliente: descreve cada cliente da empresa (código do cliente, CPF, nome, cidade); Produto: descreve cada unidade em estoque na empresa (código produto, descrição do produto, preço); Cidade: descreve cada cidade em que a empresa está presente (código cidade, estado, cep); Promoção: descreve as condições de promoção sob as quais um produto foi vendido (código da promoção, código do cliente sorteado, data da promoção, valor do desconto presente no cupom). Por causar mudanças nos padrões de vendas, esta dimensão é chamada de causal. Este hipercubo pode ser representado pelo Modelo Estrela (Star Schema), onde todas as tabelas relacionam-se diretamente com a tabela de fatos, sendo assim as tabelas dimensionais devem conter todas as descrições que são necessária para denir uma classe como Produto, Tempo, Cliente, Cidade ou Promoção nela mesma, ou seja, as tabelas dimensão não são normalizadas no modelo estrela, então os campos contêm suas descrições repetidas em cada registro (obviamente, isto aumenta o tamanho das tabelas de dimensão). O enunciado dexia claro que a empresa passou a sortear cupons e que a informação sobre que clientes possuem cupons para que datas é mantida de forma independente e consolidada no processo de extração, transformação e carga, resultando em um campo, na tabela fato. O que isso signica? Signica que já existia uma tabela de fatos com uma granularidade Página 30 de 42

32 primária, composta pelas chaves da dimensão Cliente, Produto, Cidade e Tempo (veja a Figura 6) e que a nova dimensão Promoção irá somente inserir uma nova chave na tabela fato existente, como podemos observar na Figura 7. Figura 6: esquema relacional com estrutura em Estrela para o data warehouse da empresa (ainda sem a promoção). Figura 7: esquema relacional com estrutura em estrela representando a adição da quinta dimensão (Promoção). Assim, cada registro (linha) da tabela de fatos representará a quantidade de um produto que foi vendida com (ou sem) desconto para um cliente especíco, em uma determinada cidade e numa data especíca. Note que um novo registro somente é inserido na tabela da fatos quando algo ocorre, porém, a existência de uma dimensão causal frequentemente estimula a pergunta: o que não aconteceu?. Por exemplo, quais clientes tinham o cupom desconto, válido para uma determinada data, e não realizaram compras? Mesmo com a dimensão causal, você não pode responder a esta questão com a tabela de fatos que armazena o que aconteceu. Uma tabela de fatos companheira, chamada tabela de cobertura, é necessária neste caso. A diferença entre a tabela de fatos de cobertura e a tabela de fatos primária (que contém fatos) forence a resposta. Esta diferença recebe o nome de tabela de fatos sem fatos (Factless Fact Tables). Página 31 de 42

33 Portanto, a alternativa C está correta. Apenas para complementar o comentário da questão, saiba que as tabelas expressas nas alternativas A e B não fazem parte do escopo de data warehouse. Em um data warehouse, uma dimensão multivalorada (alternativa D) é uma dimensão que possui atributos que podem assumir mais de uma valor simultaneamente, já uma dimensão degenerada (alternativa E) é uma dimensão que é derivada da tabela de fatos e não tem sua tabela própria dimensão (são dimensões vazias, isto é, sem atributos). Página 32 de 42

34 14. Assuntos relacionados: Banco de Dados, Data Warehouse, OLAP, Banca: Cesgranrio Instituição: Petrobras Cargo: Analista de Sistemas Júnior - Processos de Negócio Ano: 2008 Questão: 48 A seguir são feitas algumas armações a respeito de data warehouses e ferramentas OLAP. I- Os usuários nais do data warehouse, em geral, não possuem acesso à Data Staging Area. II- Drill in, drill out, roll over e roll on são típicas operações disponibilizadas pelas ferramentas de consultas OLAP para navegar pela hierarquia de uma dimensão. III- As rotinas de ETL muitas vezes originam solicitações de mudanças e melhorias nos sistemas OLTP e outras fontes de dados que alimentam o data warehouse, pois têm o potencial de revelar inconsistências entre os diversos sistemas corporativos. IV- Um data warehouse, em geral, deve ser projetado para fazer junções entre fatos e dimensões através de chaves naturais, evitando chaves substitutas (surrogate keys), pois estas apenas contribuiriam para aumentar o tamanho e a complexidade do esquema sem nenhum benefício para o usuário nal. Estão corretas APENAS as armações (a). I e II. (b). I e III. (c). II e III. (d). II e IV. (e). III e IV. Solução: Um data warehouse é um conjunto de dados baseados em assunto, integrado, não volátil e variável em relação ao tempo, de apoio às decisões gerenciais. Ou seja, data warehouse é uma cópia dos dados transacionais (dados operacionais), usados no dia a dia da empresa pelas aplicações do negócio, integrados e transformados de forma que seja possível extrair informações integradas de caráter gerenciais sobre a comparação e processos. Essas informações extraídas de forma integrada são utilizadas para suporte à decisão, planejamento estratégico, análise de comportamento de clientes, análise de desempenho de vendas, etc. É uma das principais soluções de Business Intelligence no mercado. As principais características marcantes de um data warehouse são: orientado ao assunto. Os dados devem estar organizados de acordo com os principais assuntos da empresa, como clientes, pedidos, produtos; forte integração de dados. No data warehouse é adotado um padrão para dados, medidas e formatos, ou seja, os dados são integrados sob uma única forma. Isso facilita a uniformidade e o acesso; Página 33 de 42

35 dados não são voláteis. No data warehouse não há necessidade de gerência de transação de dados. Os dados no data warehouse são inseridos uma única vez e, a partir daí, somente há leituras nesses dados (salvo, seja necessário correções); variante no tempo. No data warehouse existe uma nova dimensão (chave) que é o tempo. Ao inserir dados no data warehouse, esses são adicionados e a chave tempo recebe o valor do momento da atualização. Ao atualizar os dados, esses recebem o mesmo tratamento: são novamente inseridos no data warehouse com a chave do momento da atualização. Assim, é possível saber qual estado de um determinado dado há 5 anos. Então, um data warehouse é variante no tempo. A Figura 8 mostra os elementos e o uxo de dados em um ambiente data warehouse. Por meio da ação dos funcionários (nível operacional), as aplicações operacionais criam dados transacionais (armazenados em bancos de dados transacionais), como: cadastros de clientes, produtos, fornecedores, pessoal, representantes, movimentos de faturas, notas scais, etc. Esses dados não servem para ns de tomadas de decisões estratégicas e gerenciais. Os dados, para serem efetivamente usados para tais ns, devem ser transformados e carregados no data warehouse. Durante essas transformações, que são realizadas pelas ferramentas ETL - Extração, Transformação e Carga, são criados resumos e agregamentos entre esses dados, que o transformam em informações de baixo nível. Por meio dos resumos, os dados passam a ter signicado para os gerentes. Quando essas informações de baixo nível são processadas por aplicações OLAP, elas são transformadas em informações de mais valor. Essas informações suprem as necessidades dos executivos e gerentes, relativa à estratégia (tomada de decisões a nível corporativo) e gerenciamento do negócio (nível departamental). Figura 8: uxo de dados em um ambiente data warehouse. Podemos destacar os seguintes tipos de data warehouse: Marketing, Financeiro e Comportamental. O Marketing avalia o desempenho comercial de um produto ou serviço a partir de diversas perspectivas diferentes. O Financeiro monitora o desempenho comercial em termos nanceiros. E, o comportamental contém informações individuais a respeito de cada cliente e seus comportamentos. A ferramenta mais popular para exploração de um data warehouse é a Online Analytical Processing OLAP ou Processo Analítico em Tempo Real. As aplicações OLAP (On-line Analytical Processing - Processamento Analítico em Tempo Real) são aplicações baseadas em processamento analítico e, normalmente, chamadas de aplicações sobre o negócio. Tais aplicações manipulam e analisam sob múltiplas perspectivas as informações obtidas por meio das aplicações transacionais, ajudando executivos e gerentes a terem um retrato da situação Página 34 de 42

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 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

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

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

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

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

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

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

Sistemas de Apoio à Decisão (SAD) - Senado

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

Leia mais

Data 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

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

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

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

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

Administração estratégica da Informação: definição, controle estratégias de mercado Prof. MSc Hugo Vieira L. Souza

Administração estratégica da Informação: definição, controle estratégias de mercado Prof. MSc Hugo Vieira L. Souza Administração estratégica da Informação: definição, controle estratégias de mercado Prof. MSc Hugo Vieira L. Souza Este documento está sujeito a copyright. Todos os direitos estão reservados para o todo

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

TÉCNICAS DE INFORMÁTICA WILLIAN FERREIRA DOS SANTOS

TÉCNICAS DE INFORMÁTICA WILLIAN FERREIRA DOS SANTOS TÉCNICAS DE INFORMÁTICA WILLIAN FERREIRA DOS SANTOS Vimos em nossas aulas anteriores: COMPUTADOR Tipos de computadores Hardware Hardware Processadores (CPU) Memória e armazenamento Dispositivos de E/S

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

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

Software Livre. para concursos. Questões comentadas

Software Livre. para concursos. Questões comentadas Software Livre para concursos Questões comentadas Prefácio Hoje, qualquer instituição, seja ela pública ou privada, necessita utilizar programas de computadores para auxiliar os seus processos, gerando

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

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

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

ERP Enterprise Resourse Planning Sistemas de Gestão Empresarial

ERP Enterprise Resourse Planning Sistemas de Gestão Empresarial ERP Enterprise Resourse Planning Sistemas de Gestão Empresarial Prof. Pedro Luiz de O. Costa Bisneto 14/09/2003 Sumário Introdução... 2 Enterprise Resourse Planning... 2 Business Inteligence... 3 Vantagens

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

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

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

Leia mais

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

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

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

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

Leia mais

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

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

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

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

Sistema. Atividades. Sistema de informações. Tipos de sistemas de informação. Everson Santos Araujo everson@everson.com.br

Sistema. Atividades. Sistema de informações. Tipos de sistemas de informação. Everson Santos Araujo everson@everson.com.br Sistema Tipos de sistemas de informação Everson Santos Araujo everson@everson.com.br Um sistema pode ser definido como um complexo de elementos em interação (Ludwig Von Bertalanffy) sistema é um conjunto

Leia mais

A evolução da tecnologia da informação nos últimos 45 anos

A evolução da tecnologia da informação nos últimos 45 anos A evolução da tecnologia da informação nos últimos 45 anos Denis Alcides Rezende Do processamento de dados a TI Na década de 1960, o tema tecnológico que rondava as organizações era o processamento de

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

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

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

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

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

Leia mais

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

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

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

Leia mais

Interatividade aliada a Análise de Negócios

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

Leia mais

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

Módulo 4. Construindo uma solução OLAP

Módulo 4. Construindo uma solução OLAP Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de

Leia mais

Sistemas de Apoio à Inteligência do Negócio

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

Leia mais

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

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

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

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

Leia mais

Criação e uso da Inteligência e Governança do BI

Criação e uso da Inteligência e Governança do BI Criação e uso da Inteligência e Governança do BI Criação e uso da Inteligência e Governança do BI Governança do BI O processo geral de criação de inteligência começa pela identificação e priorização de

Leia mais

Sistema Integrado de Gestão ERP Sistema Integrado de Gestão

Sistema Integrado de Gestão ERP Sistema Integrado de Gestão Sistema Integrado de Gestão ERP Sistema Integrado de Gestão ERP Prof: Edson Thizon ethizon@gmail.com Sistema ERP; Processos de Desenvolvimento, Seleção, Aquisição, Implantação de ERP; Aderência e divergência

Leia mais

Prof. Alexandre Teshima. Prof. Alexandre Teshima. Prof. Alexandre Teshima. Prof. Alexandre Teshima

Prof. Alexandre Teshima. Prof. Alexandre Teshima. Prof. Alexandre Teshima. Prof. Alexandre Teshima CONCEITO: O SIAFI (Sistema Integrado de Administração Financeira do Governo Federal) é um sistema informatizado que processa e controla, por meio de terminais instalados em todo o território nacional,

Leia mais

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI)

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Apresentação O programa de Pós-graduação Lato Sensu em Business Intelligence Inteligência Competitiva tem por fornecer conhecimento

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

Curso Data warehouse e Business Intelligence Fundamentos, Metodologia e Arquitetura

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

Leia mais

ADM041 / EPR806 Sistemas de Informação

ADM041 / EPR806 Sistemas de Informação ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Componentes de uma empresa Organizando uma empresa: funções empresariais básicas Funções

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

Curso Superior de Tecnologia em BD

Curso Superior de Tecnologia em BD Curso Superior de Tecnologia em BD Arquitetura de Business Intelligence Aula 2 Definindo Sistemas de Business Intelligence, suas Fronteiras e Aplicações Objetivos Entender os Tipos de Processos de Decisão

Leia mais

Business Intelligence

Business Intelligence e-book Senior Business Intelligence 1 Índice 03 05 08 14 17 20 22 Introdução Agilize a tomada de decisão e saia à frente da concorrência Capítulo 1 O que é Business Intelligence? Capítulo 2 Quatro grandes

Leia mais

OqueéBI? QualéoobjetivodeBI? 15/03/2009

OqueéBI? QualéoobjetivodeBI? 15/03/2009 Profª. Kelly Business Intelligence (BI) OqueéBI? É um conjunto de conceitos e metodologias que, fazendo uso de acontecimentos (fatos) e sistemas baseados nos mesmos, apóia a tomada de decisões em negócios;

Leia mais

Business Intelligence. BI CEOsoftware Partner YellowFin

Business Intelligence. BI CEOsoftware Partner YellowFin Business Intelligence BI CEOsoftware Partner YellowFin O que é Business Intelligence Business Intelligence (BI) é a utilização de uma série de ferramentas para coletar, analisar e extrair informações,

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

Planejamento operacional e sistemas automatizados de gestão de recursos organizacionais. Prof. Gilberto Porto porto@gilbertoporto.com.

Planejamento operacional e sistemas automatizados de gestão de recursos organizacionais. Prof. Gilberto Porto porto@gilbertoporto.com. Planejamento operacional e sistemas automatizados de gestão de recursos organizacionais Prof. Gilberto Porto porto@gilbertoporto.com.br Sistemas de Informação SE SSD/ SAE Estratégico Tipos de decisão Não

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS Acerca dos conceitos básicos de gerenciamento de projetos e considerando o PMBOK, julgue os itens a seguir. 51 No gerenciamento de um projeto, deve-se utilizar não apenas as ferramentas

Leia mais

Aline França a de Abreu, Ph.D

Aline França a de Abreu, Ph.D Aline França a de Abreu, Ph.D igti.eps.ufsc.br 07 / 10/ 04 Núcleo de estudos Criado em 1997 - UFSC/EPS Equipe multidisciplinar, com aproximadamente 20 integrantes OBJETIVO Gerar uma competência e uma base

Leia mais

Módulo 4: Gerenciamento de Dados

Módulo 4: Gerenciamento de Dados Módulo 4: Gerenciamento de Dados 1 1. CONCEITOS Os dados são um recurso organizacional decisivo que precisa ser administrado como outros importantes ativos das empresas. A maioria das organizações não

Leia mais

Business Intelligence

Business Intelligence 1/ 24 Business Intelligence Felipe Ferreira 1 Nossa empresa Jornal O Globo Jornais Populares Parcerias Grupo Folha Grupo Estado 2 1 Fundada em 1925 3100 funcionários 2 Parques Gráficos e SP Globo: 220

Leia mais

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior Unidade III PLANEJAMENTO ESTRATÉGICO DE TECNOLOGIA DA INFORMAÇÃO Prof. Daniel Arthur Gennari Junior Sobre esta aula Gestão do conhecimento e inteligência Corporativa Conceitos fundamentais Aplicações do

Leia mais

Capítulo 13: Tecnologia da Informação. Prof.: Roberto Franciscatto

Capítulo 13: Tecnologia da Informação. Prof.: Roberto Franciscatto Capítulo 13: Tecnologia da Informação Prof.: Roberto Franciscatto Introdução Uma informação é um arranjo de dados (nomes, palavras, números, sons, imagens) capazes de dar forma ou sentido a algo do interesse

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

Sistemas de Informações Gerenciais

Sistemas de Informações Gerenciais Sistemas de Informações Gerenciais Aula 4 Sistema de Informação SI baseado em computadores Organização, administração e estratégia Professora: Cintia Caetano INTRODUÇÃO Sistemas de Informação são parte

Leia mais

Uma estrutura (framework) para o Business Intelligence (BI)

Uma estrutura (framework) para o Business Intelligence (BI) Uma estrutura conceitural para suporteà decisão que combina arquitetura, bancos de dados (ou data warehouse), ferramentas analíticas e aplicações Principais objetivos: Permitir o acesso interativo aos

Leia mais

Banco de Dados. Aula 1 - Prof. Bruno Moreno 16/08/2011

Banco de Dados. Aula 1 - Prof. Bruno Moreno 16/08/2011 Banco de Dados Aula 1 - Prof. Bruno Moreno 16/08/2011 Roteiro Apresentação do professor e disciplina Definição de Banco de Dados Sistema de BD vs Tradicional Principais características de BD Natureza autodescritiva

Leia mais

Gerenciamento de Dados e Gestão do Conhecimento

Gerenciamento de Dados e Gestão do Conhecimento ELC1075 Introdução a Sistemas de Informação Gerenciamento de Dados e Gestão do Conhecimento Raul Ceretta Nunes CSI/UFSM Introdução Gerenciando dados A abordagem de banco de dados Sistemas de gerenciamento

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

INDICE 3.APLICAÇÕES QUE PODEM SER DESENVOLVIDAS COM O USO DO SAXES

INDICE 3.APLICAÇÕES QUE PODEM SER DESENVOLVIDAS COM O USO DO SAXES w w w. i d e a l o g i c. c o m. b r INDICE 1.APRESENTAÇÃO 2.ESPECIFICAÇÃO DOS RECURSOS DO SOFTWARE SAXES 2.1. Funcionalidades comuns a outras ferramentas similares 2.2. Funcionalidades próprias do software

Leia mais

Construção de um Sistema de Informações Estratégicas, Integrando Conhecimento, Inteligência e Estratégia.

Construção de um Sistema de Informações Estratégicas, Integrando Conhecimento, Inteligência e Estratégia. Construção de um Sistema de Informações Estratégicas, Integrando Conhecimento, Inteligência e Estratégia. Introdução Sávio Marcos Garbin Considerando-se que no contexto atual a turbulência é a normalidade,

Leia mais

SISTEMAS DE APOIO À DECISÃO SAD

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

Leia mais

UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO

UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO Proposta de Formação Complementar: BUSINESS INTELLIGENCE E SUA APLICAÇÃO À GESTÃO Aluno: Yussif Tadeu de Barcelos Solange Teixeira

Leia mais

Unidade III PRINCÍPIOS DE SISTEMAS DE. Prof. Luís Rodolfo

Unidade III PRINCÍPIOS DE SISTEMAS DE. Prof. Luís Rodolfo Unidade III PRINCÍPIOS DE SISTEMAS DE INFORMAÇÃO Prof. Luís Rodolfo Vantagens e desvantagens de uma rede para a organização Maior agilidade com o uso intenso de redes de computadores; Grandes interações

Leia mais

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

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

Leia mais

2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução

2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução 2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução De acordo com [FAYY96], o conceito de descoberta de conhecimento em bases de dados pode ser resumido como o processo não-trivial de identificar

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

Estudar os Sistemas de Processamento de Transação (SPT)

Estudar os Sistemas de Processamento de Transação (SPT) Estudar a Colaboração Empresarial. Objetivos do Capítulo Estudar os Sistemas de Processamento de Transação (SPT) Identificar o papel e alternativas de relatórios dos sistemas de informação gerencial. Estudar

Leia mais

A MODELAGEM DE DADOS NO AMBIENTE DATA WAREHOUSE

A MODELAGEM DE DADOS NO AMBIENTE DATA WAREHOUSE UNIVERSIDADE PRESBITERIANA MACKENZIE Faculdade de Computação e Informática A MODELAGEM DE DADOS NO AMBIENTE DATA WAREHOUSE Daniele Del Bianco Hokama Denis Camargo Francine Fujita João Luiz Valentim Fogliene

Leia mais

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

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

Leia mais

BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES.

BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES. Encontro de Ensino, Pesquisa e Extensão, Presidente Prudente, 22 a 25 de outubro, 2012 88 BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES. Andrios Robert Silva Pereira, Renato Zanutto

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

Sobre o que falaremos nesta aula?

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

Leia mais

Sistemas de Informações

Sistemas de Informações Sistemas de Informações Prof. Marco Pozam- mpozam@gmail.com A U L A 0 3 Ementa da disciplina Sistemas de Informações Gerenciais: Conceitos e Operacionalização. Suporte ao processo decisório. ERP Sistemas

Leia mais

Gestão de Contextos Visão Calandra Soluções sobre Gestão da Informação em Contextos White Paper

Gestão de Contextos Visão Calandra Soluções sobre Gestão da Informação em Contextos White Paper Gestão de Contextos Visão Calandra Soluções sobre Gestão da Informação em Contextos White Paper ÍNDICE ÍNDICE...2 RESUMO EXECUTIVO...3 O PROBLEMA...4 ILHAS DE INFORMAÇÃO...4 ESTRUTURA FRAGMENTADA VS. ESTRUTURA

Leia mais

SISTEMA DE PROCESSAMENTO DE TRANSAÇÕES (SPT) PARADA OBRIGATÓRIA!!! SISTEMAS DE INFORMAÇÃO. SISTEMAS DE INFORMAÇÃO (SPT, SIG e ERP) CONTEÚDO DA AULA

SISTEMA DE PROCESSAMENTO DE TRANSAÇÕES (SPT) PARADA OBRIGATÓRIA!!! SISTEMAS DE INFORMAÇÃO. SISTEMAS DE INFORMAÇÃO (SPT, SIG e ERP) CONTEÚDO DA AULA PROF.ª MARCIA CRISTINA DOS REIS SISTEMAS DE INFORMAÇÃO 14/08/2012 Aula 4 SISTEMAS DE INFORMAÇÃO (SPT, SIG e ERP) PARADA OBRIGATÓRIA!!! LEITURA DO LIVRO DO TURBAN, RAINER JR E POTTER Sistemas SPT p. 212

Leia mais

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

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

Leia mais

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

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

Leia mais

Módulo 1. Introdução ao Business Intelligence

Módulo 1. Introdução ao Business Intelligence Módulo 1. Introdução ao Business Intelligence Objetivos Fornecer uma visão sobre a finalidade de um sistema de suporte para tomada de decisões: Conhecer quais sistemas informatizados atuam em cada componente

Leia mais

ADMINISTRAÇÃO DOS RECURSOS DE DADOS

ADMINISTRAÇÃO DOS RECURSOS DE DADOS 7 ADMINISTRAÇÃO DOS RECURSOS DE DADOS OBJETIVOS Por que as empresas sentem dificuldades para descobrir que tipo de informação precisam ter em seus sistemas de informação ão? Como um sistema de gerenciamento

Leia mais

Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados

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

Leia mais

INDICADORES DE DESEMPENHO

INDICADORES DE DESEMPENHO INDICADORES DE DESEMPENHO Não se gerencia o que não se mede, não se mede o que não se define, não se define o que não se entende, não há sucesso no que não se gerencia. (E. Deming) Os indicadores são ferramentas

Leia mais

ADMINISTRAÇÃO DOS RECURSOS DE DADOS

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

Leia mais

ASSUNTO DA APOSTILA: SISTEMAS DE INFORMAÇÃO E AS DECISÕES GERENCIAIS NA ERA DA INTERNET

ASSUNTO DA APOSTILA: SISTEMAS DE INFORMAÇÃO E AS DECISÕES GERENCIAIS NA ERA DA INTERNET AULA 06 ASSUNTO DA APOSTILA: SISTEMAS DE INFORMAÇÃO E AS DECISÕES GERENCIAIS NA ERA DA INTERNET JAMES A. O BRIEN MÓDULO 01 Páginas 278 à 285 1 AULA 06 APOIO ÀS DECISÕES DE E BUSINESS 2 E business e Apoio

Leia mais