PÓS-GRADUAÇÃO LATO SENSU. Curso: Banco de Dados. Disciplina: Data Warehouse e Business Intelligence Professor: Fernando Zaidan

Transcrição

1 PÓS-GRADUAÇÃO LATO SENSU Curso: Banco de Dados Disciplina: Data Warehouse e Business Intelligence Professor: Fernando Zaidan Unidade Cubos 2016

2 ACOMPANHAMENTO IMPLEMENTAÇÃO TESTE 6 CONTACTO ÁREAS DE NEGÓCIOS 1 PROJETO DW/DM 5 4 PLANEJAMENTO/ LEVANTAMENTO DIFICULDADES DE INFORMAÇÃO GERENCIAL->OBJETIVO INDICADORES ESTRATÉGICOS-MÉTRICAS INICIAIS RESTRIÇÕES DE INFORMAÇÕES-ESTRUTURA-TECNOLOGIA INFORMAÇÕES JÁ EXISTENTES NO DW-METADADOS REUNIÕES JAD-PARTICIPAÇÃO INTENSA USUÁRIOS DEFINIÇÃO DE PATROCINADOR DEFINIÇÃO DE EQUIPE DE PROJETO 2 3 PROJETO-MODELAGEM DIMENSIONAL REUNIÕES DE TRABALHO DETALHAMENTO DE NECESSIDADES DIMENSÕES-FATOS MÉTRICAS-GRANULARIDADE CONSTRUÇÃO Fonte: Carlos Barbieri ETC DEFINIÇÃO DO ETC- EXTRAÇAÕ-TRANSFORMAÇÃO-CARGA CUBOS RELATÓRIOS ANALÍTICOS INFERENCIAIS

3 Cubos e OLAP Os Cubos são fundamentais para serem implementadas as consultas e relatórios OLAP. 3

4 Conceitos de Cubos São estruturas dinâmicas para gerar os relatórios OLAP; Podem ter várias dimensões: tempo, região, produto, etc. Nossa visão consegue perceber até três dimensões no Cubo, mas pode ter mais; Cubos diferem de relatórios tradicionais (Transacionais) que são estáticos; São estruturas de dados que forma um subconjunto de um banco de dados grande (DW); Podem ser manipulados e visualizados por inúmeros ângulos e diferentes níveis de agregação, onde é possível através de suas dimensões (faces ou eixos) analisar uma determinada situação.

5 Conceitos de Cubos Um cubo é criado tendo-se em mente o tipo de consulta que um gerente de projeto deseja fazer. Ao projetar um cubo é importante levar em conta as prováveis consultas que poderão ser feitas. O projeto de um cubo deve priorizar a escolha e a organização das dimensões que podem influenciar nas medidas relacionadas para a tomada de decisão.

6 Conceitos de Cubos DW e Data Marts são compostos de N cubos; Cada cubo é uma visão dimensional de dados formado por: Uma tabela fato e N tabelas; Pode ter mais de uma tabela fato, mas nunca interligadas as dimensões que as interligam; Os cubos são implementados separadamente. Fonte: Carlos Barbieri

7 Cubo de Dados Pode ter n dimensões Nós, humanos, só podemos enxergar 3 dimensões ao mesmo tempo Operações especiais permitem decompor um cubo de n dimensões em sub-cubos de até 3 dimensões 7

8 Visualiazando as Dimensões -- 1 Dimensão -- E i Empresa R j - Região Total E1 E2 R1 R2 R Total Total Total

9 -- 2 Dimensões -- E1 E2 E1 E R1 R R2 R R3 R3 p/e p/e p/r p/ano p/r p/ano Total Total Total

10 -- 3 Dimensões (Cubo de Dados) -- Empresa Ano Total p/e, p/r, p/ano Região

11 -- 3 Dimensões (Cubo de Dados) -- Produto Data (Dia) Vendas = (Faturamento, Quantidade) p/dia, p/produto, p/fornecedor Fornecedor 11 23/09/2016 BD Multidimensional

12 Implementação dos Cubos Cubos como visão dimensional podem ser materializados/implementados em: Consultas OLAP Forma física de tabelas relacionais vistas como estruturas dimensionais Views com menor performance

13 Slice x Dice Slice and Dice: seleção e projeção do cubo de dados Slice (fatia): seleção / projeção de valores de uma dimensão. Exemplo: as vendas da região Norte Dice (dados): seleção / projeção de valores de mais de uma dimensão. Exemplo: as vendas da região Norte, no ano 2001, do Produto X 13 23/09/2016 BD Multidimensional

14 Cubos AQUELE PRODUTO P1 VENDEU NAQUELA LOJA L1 NAQUELE DIA D1 A QUANTIDADE QX NO VALOR VY PRODUTO (P1,L1,D1)->QX,VY AQUELE PRODUTO P1, VENDEU EM TODOS OS DIAS, EM TODAS AS LOJAS O VALOR(SOMATÓRIO) DE QX E VY DIA LOJA AQUELE SUBCONJUNTO DE PRODUTOS VENDEU NUM SUB CONJUNTO DE LOJAS NUM SUBCONJUNTO DE DIAS, AQUELE SOMATÓRIO DE QX, NO VALOR VY

15 Exercícios Cubos Vendas da Bavária em Uberlândia no Período T4 Localização Betim Ipatinga Uberlândia Vendas Produto Antarctica Bavaria Brahma Kaiser Skol T1 T2 T3 Período T4 Fonte: Rogério Morais

16 Exercícios - Cubos Análise do ano 2007 Produtos All Cubo Região All Tempo 2007 Qtd. Vendida 3000 un Faturamento R$ , Produtos Balas Cafés Modelo Estrela Produtos Venda key_produto key_produto descricao key_tempo key_região Tempo key_tempo ano quartil mes Cereais Sul Sudeste Região Norte qtd_vendida Dimensões Faturamento faturamento Região key_regiao Fato descricao Dimensões

17 DW Sistema de Locadora FILME LOCAÇÃO CIDADE CLIENTE QteLocações TEMPO

18 Locações do Filme A Ilha em todas as Cidades e todos os Tempos Cidade Contagem Betim BH A Ilha Gladiador Filme Turistas Tempo

19 Locação do Filme A Ilha na Cidade de BH todos os Tempos Cidade Contagem Betim BH A Ilha Gladiador Filme Turistas Tempo

20 Cidade Contagem Betim BH A Ilha Gladiador Filme Turistas Tempo

21 Locação do Filme A Ilha na Cidade de BH no Ano de Cidade Contagem Betim BH A Ilha Gladiador Filme Turistas Tempo

22 Locação do Filme Gladiador Cidade Contagem Betim BH A Ilha Gladiador Filme Turistas Tempo

23 Locação do Filme Gladiador na Cidade de Betim Cidade Contagem Betim BH A Ilha Gladiador Filme Turistas Tempo

24 Locação do Filme Gladiador na Cidade de Betim no Ano de Cidade Contagem Betim BH A Ilha Gladiador Filme Turistas Tempo

25 Locações no Ano de 2008 todas as Cidades e Todos os Filmes Cidade Contagem Betim BH A Ilha Gladiador Filme Turistas Tempo

26 Navegação em Agregados Roll-up: aumentando o nível de agregação. Por exemplo, Drill-down: diminuindo o nível de agregação. Por exemplo 26 23/09/2016 BD Multidimensional

27 Hierarquias em Dimensões As operações roll-up e drill-down são normalmente realizadas segundo Hierarquias (1:N) de Dimensão, mas não necessariamente Tempo: dia semana quinzena mês trimestre ano Produto: produto sub categoria categoria departamento Fornecedor: fornecedor cidade região EquipeDeVenda: equipe região 27 23/09/2016 BD Multidimensional

28 Bibliografia BARBIERI, Carlos. BI - Business Inteligence: Modelagem e tecnologia. Rio de Janeiro, Axcel Books, CAMPOS, M. L. Data Ware Housing. UFRJ, COME, Gilberto de. Contribuição ao Estudo da Implementação de Data Warehousing: um caso no setor de telecomunicações São Paulo : FEA/USP, p FANTAUZZI, F. A. C.; ROCHA, Rogério Morais. Diretório de Softwares para Inteligência Competitiva Monografia apresentada ao Departamento de Ciência da informação como requisito para a conclusão do curso de especialização em Gestão Estratégica da Informação da Universidade Federal de Minas Gerais - UFMG, Belo Horizonte, ano de FARIA, João Marcos Bonadio de. Artefatos da Semiótica Organizacional na Elicitação de Requisitos para Soluções de Data Warehouse Trabalho final (mestrado profissional) - Universidade Estadual de Campinas, Instituto de Computação, fevereiro de 2006.

29 Bibliografia INMON, William. What is Data Warehouse? UNjobs, acessado em 19 de abril de 2009, disponível em < SILBERSCHATZ, Abraham; KORTH, Henry F.; SUDARSHAN, S. Sistema de banco de dados. Tradução da 5ª Edição. São Paulo: Campus, TERESKO, John. Information Rich, Knowledge Poor? IndustryWeek.com, acessado em 19 de abril de 2009, disponível em < >

30 Obrigado e bom trabalho, Zaidan fhzaidan@gmail.com Aí está o mérito do êxito de meus projetos: sempre fui muito exigente e rigoroso com procedimentos que aparentemente não faziam muito sentido na época. Mais tarde viu-se que esse rigor fez a diferença entre afundar ou não, concluir ou não um projeto. Amyr Klink