DATA WAREHOUSE APLICADO NA GESTÃO DE DADOS AGRÍCOLA DATA WAREHOUSE APPLIED IN AGRICULTURAL DATA MANAGEMENT
|
|
- Madalena Quintão
- 5 Há anos
- Visualizações:
Transcrição
1 DATA WAREHOUSE APLICADO NA GESTÃO DE DADOS AGRÍCOLA Luiz Pedro Petroski (Estudante Universidade Estadual de Ponta Grossa) Maria Salete Marcon Gomes Vaz (Professora Doutora Universidade Estadual de Ponta Grossa) Resumo: Neste artigo os autores apresentaram um método para modelagem e geração de um esquema multidimensional lógico e físico. Também é apresentado duas definições para a elaboração de uma árvore de nós, e do esquema multidimensional lógico. A árvore de nós é a modelagem para a representação multidimensional que pode ser compreendida pelas partes interessadas (gestor agrícola e analista). Os passos seguintes correspondem a modelagem e regras de transformação do esquema multidimensional lógico e físico respectivamente. Através dos métodos abordados neste artigo notou-se que a partir dos metadados das bases de dados operacionais é possível estabelecer um padrão de modelagem que pode ser parcialmente automatizado. Também identificou a necessidade de adicionar atributos espaciais, para melhor detalhamento da dimensão espacial. Palavras-chave: Data warehouse, dados agrícolas, modelagem. DATA WAREHOUSE APPLIED IN AGRICULTURAL DATA MANAGEMENT Abstract: In this paper the authors present a method for modeling and generating a logical and physical multidimensional scheme. It is also two definitions for an elaboration of a tree of nodes and a multidimensional schema. The tree of nodes is a modeling for a multidimensional representation that can be understood for the stakeholders (agricultural manager and analyst). The following steps correspond to a modeling and transformation rules of the logical and physical multidimensional scheme respectively. Through the methods discussed in this article, from a database of operational databases, it is possible to obtain a modeling model that can be partially automated. Also identified the need to add spatial attributes, to better detail the spatial dimension. Keywords: Data warehouse, agricultural data, design. 1. INTRODUÇÃO A variabilidade da produtividade das lavouras e com os fatores potencialmente limitantes a essa produtividade (VALENTINI e MOLIN, 2000). Assim áreas agricolas são intensivamente monitoradas visando o entendimento da variabilidade espacial e do potencial de intervenções com as tecnologias disponíveis (MOLIN, 1999). Diferentes Sistemas de Suporte a Decisão estão sendo desenvolvidos para facilitar a agro-industria. Estes Sistemas requerem metodos efetivos de armazenamento, como integração e métodos de analises. Data Warehouse é um tipo específico de banco de dados, sendo utilizado para integrar, acumular e analizar dados de diferentes fontes s (Calì et al. 2003). Usuários podem carregar informação de diferentes banco de dados em um data warehouse para análise combinada. De acordo com os requisitos, pode ser definido uma periodicidade para carregar os dados de uma base operacional para a base de análise (por exemplo diariamente, semanalmente, mensalmente). A ferramenta responsável pelo processamento de consultas multidimensionais sobre um Data Warehouse é chamada Online Analytical Processing - OLAP. Esta produz indicadores estatísticos em diferentes níveis de detalhes. Os indicadores são calculados utilizando funções de agregação, como média, mínimo, máximo, permitindo ao usuário navegar através das hierarquias dimensionais, executando operações OLAP, como roll-up e drill-down. 2. DATA WAREHOUSE V. 8, No. 3, Dez/2016 Página 199
2 Um Data Warehouse é composto tomando como base o conceito de fatos e dimensões. Fato é um ou mais indicadores mensuráveis, que podem ser agregados através de funções estatísticas (média, máximo, mínimo, soma, moda, desvio padrão). Um exemplo de um fato é a produtividade agrícola (valor numérico, mensurável). Uma dimensão é um eixo sobre o qual os fatos estão distribuídos, definindo o contexto do fato em questão. Por exemplo o tempo é uma dimensão sobre a qual os fatos estão distribuídos. Um Data Warehouse pode ter de 1 a n dimensões, sendo definidas na modelagem. Assim um valor de produtividade (fato) está contextualizado em um determinado espaço geográfico, tempo, cultura, máquina colhedora, operador (dimensões). Tanto fatos como dimensões, necessitam ser definidas a sua granularidade, ou seja, qual o nível de detalhamento de um fato, assim como as hierarquias de suas dimensões (KIMBALL e ROSS, 2013). A Figura 1 ilustra a representação de um cubo do fato produtividade e as dimensões cultura (soja, milho, feijão, trigo), talhão (talhão 1, talhão 2) e safra (safra 2014/2015, safra 2015/2016). Figura 1 - Cubo de produtividade com as dimensões talhão, safra e cultura. Fonte: (PETROSKI e VAZ, 2016) Os critérios de análise (cultura, talhão e safra) representam as dimensões do cubo. As dimensões podem ser estruturadas em hierarquias (Figura 2) e produz diferentes análises, pela combinação dos diferentes níveis das dimensões (PETROSKI e VAZ, 2016). Média de produtividade por talhão; Média de produtividade por talhão, por cultura e por safra; Média de produtividade por cidade, família da cultura e estação do ano. Figura 2 - Níveis de hierarquia das dimensões Fonte: (PETROSKI e VAZ, 2016). 3. MATERIAIS E MÉTODOS V. 8, No. 3, Dez/2016 Página 200
3 Para contruir um cubo de dados para um Data Warehouse, deve-se iniciar pelo esquema multidimensonal a partir das fontes de dados operacionais (Jensen et al., 2004; Romero e Abelló, 2008). O ponto principal da abordagem será explorar tanto a estrutura da fonte de dados (estrutura lógica), quanto as instâncias dos dados (os dados propriamente ditos) para determinar as dimensões e suas hierarquias, e os fatos. Será utilizado algumas definições para a construção de uma árvore da estrutura da informação multidimensional. Esta árvore resultante será mapeada para o esquema multidimensional. O processo é baseado pela seleção de um nó e as medidas derivadas deste nó (indicadores), e os eixos de análise (dimensões). Definição 1 (Mahboubi et al., 2013): Uma árvore O consiste em um conjunto de nós E={e1...en}, onde n é o número de nós. Um nó ei é definido como ei=<nome, tipo>, onde nome define o nome do nó, e o tipo define o tipo do nó ({Complexo, Sequencial, Atributo}). Um nó ei do tipo atributo é um nó folha e definido como um tipo primitivo de dado. Para a representação gráfica de uma árvore da definição 1 pode ser utilizada a tabela 1. Tabela 1 - Representação gráfica da árvore de nós Nó Representação gráfica Nó complexo, Nó sequencial Nó atributo Definição 2 (Mahboubi et al., 2013): Um esquema multidimensional M é representados por nós conceituais: fatos, medidas, níveis de dimensões e seus atributos correspondentes. É definido como <efato, I, D, A>, onde efato define um nó fato, I é o conjunto de nós de medidas, D é o conjunto de níveis de dimensões a A é o conjunto de nós de atributos descritivos. O conjunto I é definido como {emedida-0,..., emedida-k}, onde k representa o numero de medidas. O conjunto D é definido como {edim-0,0, edim-i,j}, onde edim-i,jrepresenta o j-ésimo nível da i-ésima dimensão. O conjunto A é definido como {edesc- 0 0,0,..., edesc- z i,j}, onde edesc- z i,j representa o z- ésimo atributo descritivo do nível de dimensão edim-i,j. Para a representação gráfica de um esquema multidimensional da definição 2 pode ser utilizada a tabela 2. Tabela 2 - Representação gráfica de um esquema multidimensional Nó Representação gráfica Fato Atributo descritivo Nível de dimensão Medida No próximo passo é a obtenção do esquema multidimensional físico a partir de um esquema multidimensional M. A implementação física segue os paradigmas relacional (KIMBALL e ROSS, 2013) e XML (Aouiche e Darmont, 2009; Mahboubi et al., 2009). O V. 8, No. 3, Dez/2016 Página 201
4 esquema relacional pode ser obtido seguindo algumas regras de transformação (tabela 3) que auxiliam a obtenção do esquema multidimensional lógico e físico (declarações SQL). Nível Lógico Transformar todos níveis de dimensões de base em tabelas relacionais Create table Transformar cada nó de atributo descritivo em um atributo e adicionar a tabela de dimensão correspondente Nível físico Alter table add atribute Transformar o nó fato em uma tabela relacional Transformar os nós de medidas em um atributo numérico e adiconar a tabela de fatos Adicionar um atributo a tabela de fato para cada nó de nível de dimensão de base Adicionar uma chave primária na tabela de fatos Adicionar um chave primária para cada tabela de nível de dimensão Create table Alter table add atribute Alter table add atribute Alter table add constraint Alter table add constraint Figura 3 - Regras de transformações SQL 3. RESULTADOS E DISCUSSÃO Estudo de caso: Modelar um datawarehouse multidimensional para a agricultura de precisão no Brasil, possibilitando a análise temporal, de culturas e de localidades. Os dados estão organizados em uma base operacional CSV (comma-separated values) da seguinte maneira: produtividade (kg/ha), safra (ano), talhao (caractere), cultura(caractere). Outra base pode ser obtida, com informações do talhão: talhão (caractere), área (real). Por fim temos a base de dados composta pelos campos de fazenda (caractere), área (real) e região agrícola (caractere). Utilizando a definição 1 para a modelagem, pode-se contruir a árvore de nós (figura 3) para a compor os primeiros passos para a modelagem multidimensional: Figura 4 - Representação gráfica da árvore de nós para o estudo de caso proposto V. 8, No. 3, Dez/2016 Página 202
5 O próximo passo, utilizando a definição 2, é construir o esquema multidimensional que para a modelagem do dara warehouse (figura 4). Figura 5 - Representação gráfica do esquema multidimensional do estudo de caso E finalmente no último passo descrito na metodologia, definimos a modelagem multidimensional em nível físico, neste caso, representado pelo modelo da figura 5. Figura 6 - Esquema multidimensional físico do estudo de caso V. 8, No. 3, Dez/2016 Página 203
6 4. CONCLUSÕES Neste artigo foi apresentado uma abordagem para a modelagem multidimensional de dados agrícolas para a análise de produtividade, nos contextos de safra, cultura e espaço. O objetivo de uma modelagem multidimensional é construir um darawarehouse flexível, sendo possível a análise do gestor agrícola, nos mais diferentes cenários e entradas que uma ferramenta de suporte a decisão deve proporcionar. Com a execução dos passos, notamos que é um processo que pode ser parcialmente automatizado, ou seja, através dos metadados de banco de dados operacionais, é possível extrair um padrão, afim de facilitar a modelagem de novos data warehouses agrícolas, assim como a constução de data marts (data warehouse específico para um domínio) para cada área do negócio agrícola. Por exemplo, pode ser criado um data mart para análisar as variedades mais produtivas do talhão 1 da fazenda nos últimos 10 anos. Para trabalhos futuros propõe se a adição de atributos espaciais para a descrição detalhada da dimensão espacial (ponto, linha, poligono), neste caso também se faz necessário a implementação de funções espaciais para as consultas multidimensionais, como por exemplo, junção, desjunção, perímetro, área, entre outras funções. AGRADECIMENTOS Os autores agradecem a Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) pela concessão da bolsa de estudo. REFERÊNCIAS Aouiche, K. e Darmont, J. Data mining-based materialized view and index selection on data warehouse. Journal of Intelligent Information Systems, 2009, 33(1), p Calı` A, Lembo D, Lenzerini M, Rosati R. Source integration for data warehousing. Multidimensional databases, Cemagref (2008) pp Jensen, M. R., Holmgren, T., e Perdersen, T. B. Discovering multidimensional structure in relational data. In Y. Kambayashi, M. Mohania, e W. Wob (Eds.), Proceedings of the 6 th International Conference on Data Warehousing and Knowledge Discovery, Zaragoza, Spain, 2004 p KIMBALL, R.; ROSS, M. The Data Warehouse Toolkit. 3. ed. [S.l.]: John Wiley & Sons, Inc., PETROSKI, L. P.; VAZ, M. S. M. G. Modelagem multidimensional e espacial de um data Warehouse para base de dados agrícola In: IV Conaitec: Congresso Agropecuário, Industrial e tecnológico do Paraná, 2016, Ponta Grossa. Anais, Mahboubi, H.; Bimonte, S.; Deffuant, G.; Chanet, J. P. & Pinet, F. Semi-automatic design of spatial data cubes from simulation model results nternational Journal of Data Warehousing and Mining, 2013 MOLIN, J.P. Geração de mapas de produtividade em projeto de avaliação da tecnologia de Agricultura de Precisão. IN: Agrotec 99 Conferência Internacional sobre Agropolos e V. 8, No. 3, Dez/2016 Página 204
7 Parques Tecnológicos Agroindustriais. Barretos, 1999, p Anais: Romero, O., e Abelló, A. A survey of multidimensional modeling methodologies. International Journal of Data Warehousing and Mining, 2009, 5(2), p VALENTINI, M.L., MOLIN, J.P. A Agricultura de Precisão nos Campos Gerais do Paraná. O Estado-da-arte em Agricultura de Precisão no Brasil. Piracicaba L. A. Balastreire, Coord p V. 8, No. 3, Dez/2016 Página 205
Aula 02. Evandro Deliberal
Aula 02 Evandro Deliberal evandro@deljoe.com.br https://www.linkedin.com/in/evandrodeliberal Data Warehouse; Ambiente de Data Warehouse; Processos e ferramentas envolvidas; Arquiteturas de DW; Granularidade;
Modelagem Multidimensional
Modelagem Multidimensional Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Modelagem Multidimensional Análises dos usuários de SSD representam
Joana Simon Orientador: Prof. Oscar Dalfovo, Doutor
Joana Simon Orientador: Prof. Oscar Dalfovo, Doutor Introdução Objetivos Fundamentação teórica Especificações da ferramenta Desenvolvimento da ferramenta Operacionalidade da ferramenta Resultados e discussões
Conceitos Básicos. Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri
Conceitos Básicos Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Data Warehousing Engloba arquiteturas, algoritmos e ferramentas que possibilitam
SISTEMAS DE APOIO À INTELIGÊNCIA DE NEGÓCIOS
SISTEMAS DE APOIO À INTELIGÊNCIA DE NEGÓCIOS http://www.uniriotec.br/~tanaka/sain tanaka@uniriotec.br Introdução a OLAP Material baseado em originais de Maria Luiza Campos NCE/UFRJ Atualizado com publicações
Bancos de Dados IV. OLAP e Cubos de Dados. Rogério Costa
Bancos de Dados IV OLAP e Cubos de Dados Rogério Costa rogcosta@inf.puc-rio.br 1 OLAP Online Analytical Processing (OLAP) Análise interativa de dados, permitindo que dados sejam sumarizados e vistos de
Ferramenta de Suporte a Decisão caracterizada por Consultas OLAP
Ferramenta de Suporte a Decisão caracterizada por Consultas OLAP Daniel Ricardo Batiston Orientador: Evaristo Baptista Seqüência da apresentação Introdução Objetivos Fundamentação Teórica Sistema atual
Informática. Business Intelligence (BI), Data Warehouse, OLAP e Data Mining. Prof. Márcio Hunecke
Informática Business Intelligence (BI), Data Warehouse, OLAP e Data Mining Prof. Márcio Hunecke Conceitos de BI Conjunto de ferramentas e técnicas que objetivam dar suporte à tomada de decisão Refere-se
PÓS-GRADUAÇÃO LATO SENSU. Curso: Banco de Dados. Disciplina: Data Warehouse e Business Intelligence; Laboratório Professor: Fernando Zaidan
PÓS-GRADUAÇÃO LATO SENSU Curso: Banco de Dados Disciplina: Data Warehouse e Business Intelligence; Laboratório Professor: Fernando Zaidan Apresentação da disciplina 2016 Apresentações e perfil da turma
Horário: Pós-Laboral das 18h30 às 21h30 (3ª e 5ª) e 09h30 às 12h30 (sábados) Nível: Avançado Duração: 117h
Especialista em Base de Dados SQL Server Bases de Dados e BI Com certificação Localidade: Aveiro Data: 30 Sep 2017 Preço: 2300 ( POSSIBILIDADE DE PAGAMENTO FASEADO. Os valores apresentados não incluem
Modelagem Multidimensional
Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Análises dos usuários de SSD representam requisições multidimensionais aos dados do DW permitem a identificação de problemas
SEFAZ INFORMÁTICA Olap Prof. Márcio Hunecke
SEFAZ INFORMÁTICA Olap Prof. Márcio Hunecke www.acasadoconcurseiro.com.br Informática OLAP Partindo dos primórdios da informatização, quando um sistema que gerava relatórios era a principal fonte de dados
Arquitetura de um Ambiente de Data Warehousing
Arquitetura de um Ambiente de Data Warehousing Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri OLAP: Fonte: Arquitetura Vaisman, A., Zimányi,
Inteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 4: OLAP) Fundamentação da disciplina Analise de dados
Arquitetura de um Ambiente de Data Warehousing
Arquitetura de um Ambiente de Data Warehousing Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Arquitetura Típica usuário usuário... usuário
Roteiro da apresentação
Alexandre Schlöttgen Data Warehouse Curso de Pós Graduação em Ciência da Computação Tópicos Avançados em Modelos de Banco de Dados Profs: Clésio Santos e Nina Edelweiss Junho de 2003 Roteiro da apresentação
Arquitetura de um Ambiente de Data Warehousing
Arquitetura de um Ambiente de Data Warehousing Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Arquitetura Típica usuário usuário... usuário
SBC - Sistemas Baseados em Conhecimento
Siglas, Símbolos, Abreviaturas DW - Data Warehouse KDD Knowledge Discovery in Database MD Mineração de Dados OLAP - On-line analytical processing SBC - Sistemas Baseados em Conhecimento 1. INTRODUÇÃO O
Data Warehousing: Conceitos Básicos e Arquitetura
Data Warehousing: Conceitos Básicos e Arquitetura Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Visão do Mercado Crescimento explosivo do uso da tecnologia de data warehousing
Inteligência de Negócios Profa.Denise
Inteligência de Negócios Profa.Denise Bancos de Dados Multidimensionais A finalidade de bases de dados multidimensionais (alguns autores chamam de dimensionais) é fornecer subsídio para realização de análises.
Sistemas de Suporte à Decisão. Suporte à Decisão X Operacional. Banco de Dados Avançado. Data Warehouse. Data Warehouse & Data Mart
Sistemas de Suporte à Decisão Sistemas de Suporte a Decisão (SSD) Permitem armazenar e analisar grandes volumes de dados para extrair informações que auxiliam a compreensão do comportamento dos dados Armazenar
Conceitos Básicos. Profa. Dra. Cristina Dutra de Aguiar Ciferri. Algoritmos e Estruturas de Dados II: Projeto
Conceitos Básicos Profa. Dra. Cristina Dutra de Aguiar Ciferri Data Warehousing Engloba arquiteturas, algoritmos e ferramentas que possibilitam que dados selecionados de provedores de informação autônomos,
6º Congresso de Pós-Graduação AUTOMATIZAÇÃO DO PROCESSO DE CRIAÇÃO DE VISÕES PARA MODELAGEM DE DW
6º Congresso de Pós-Graduação AUTOMATIZAÇÃO DO PROCESSO DE CRIAÇÃO DE VISÕES PARA MODELAGEM DE DW Autor(es) RICARDO ALEXANDRE NEVES Orientador(es) MARINA TERESA PIRES VIEIRA 1. Introdução Um data warehouse
RESUMO UMA ARQUITETURA PARA DISTRIBUIÇÃO DE COMPONENTES ECNOLÓGICOS DE SISTEMAS DE INFORMAÇÕES BASEADOS EM DATA WAREHOUSE. Denilson Sell 2001
Universidade Federal de Santa Catarina Departamento de Informática e Estatística Sistemas de Informação RESUMO UMA ARQUITETURA PARA DISTRIBUIÇÃO DE COMPONENTES ECNOLÓGICOS DE SISTEMAS DE INFORMAÇÕES BASEADOS
GESTÃO DE DADOS NAS ORGANIZAÇÕES. Prof. Robson Almeida
GESTÃO DE DADOS NAS ORGANIZAÇÕES Prof. Robson Almeida INFRA-ESTRUTURA DE SISTEMAS DE INFORMAÇÃO 3 CONCEITOS Bit: Menor unidade de dados; dígito binário (0,1) Byte: Grupo de bits que representa um único
UNIVERSIDADE REGIONAL DE BLUMENAU. Acadêmica: Cristina Alves de Sousa Morais Orientador: Oscar Dalfovo
UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO PROTÓTIPO DE UM SISTEMA DE INFORMAÇÃO APLICADO A ADMINISTRAÇÃO DE MATERIAIS UTILIZANDO DATA WAREHOUSE
Fundamentos de sistemas de informação
Fundamentos de sistemas de informação Unidade 2 - Conceitos básicos de aplicações nas empresas (cont.) Unidade 3 - Tipos de Sistemas de apoio às decisões 1 Ética e TI Fraudes; Crimes eletrônicos; Ameaças
Data Warehousing: Conceitos Básicos e Arquitetura
Data Warehousing: Conceitos Básicos e Arquitetura Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Visão do Mercado Crescimento explosivo do uso da tecnologia de data warehousing
Fenómeno da globalização
Fenómeno da globalização Estamos num mundo em que tudo é possível a qualquer hora e em qualquer lugar Uma empresa não pode ser verdadeiramente global sem ter uma rede de comunicações excelente Um negócio
OLAP. Rodrigo Leite Durães.
OLAP Rodrigo Leite Durães. rodrigo_l_d@yahoo.com.br OLAP Definição OLAP (Online analytical processing) é uma categoria de tecnologia de software que possibilita a visualização dos dados armazenados, segundo
Business Intelligence (BI)
Business Intelligence (BI) Conceitos Iniciais Professor: Aurisan Santana CONTEÚDO DO CURSO Business Intelligence (BI): Introdução, Histórico e Conceitos Dado, Informação e Conhecimento Data Warehouse (DW)
Introdução à teoria de Data Warehouse. Prof. Rodrigo Leite Durães
Introdução à teoria de Data Warehouse Prof. Rodrigo Leite Durães rodrigo_l_d@yahoo.com.br Organizações: necessidade de INFORMAÇÃO para tomada de decisões Exemplos: FACULDADE - abertura de mais vagas para
Asterio K. Tanaka. Programa de Pós-Graduação em Informática. Interesses de Pesquisa
http://www.uniriotec.br/~tanaka tanaka@uniriotec.br Programa de Pós-Graduação em Informática Interesses de Pesquisa PPGI UNIRIO Linhas de Pesquisa em Sistemas de Informação Representação de Conhecimento
Motivação. Pouco conhecimento. Muitos dados e informações. Problemas para tomada de decisão
Motivação Problemas para tomada de decisão Muitos dados e informações Pouco conhecimento Motivação Uso amigável Sistemas computacionais que integram dados oriundos de diversas fontes Grande poder analítico
SQL. Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri
SQL Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Arquitetura de 3 Camadas esquema operações conceitual metáfora do cubo de dados Cube
GUIA DE FUNCIONAMENTO DA UNIDADE CURRICULAR
Curso Engenharia Informática Ano letivo 2015/16 Unidade Curricular Bases de Dados II ECTS 6 Regime Obrigatório Ano 2º Semestre 1º sem Horas de trabalho globais Docente (s) José Carlos Fonseca Total 168
Bancos de Dados IV. Arquiteturas. Rogério Costa
Bancos de Dados IV Arquiteturas Rogério Costa rogcosta@inf.puc-rio.br 1 Arquiteturas para DW DW Virtuais Fortemente Acoplada (Empresa Inteira) Fracamente Acoplada Arquiteturas para DW DW Virtuais São visões
B A N C O D E D A D O S G E O G R Á F I C O S M A R C O N I D E A R R U D A P E R E I R A
Mineração de Dados Espaciais B A N C O D E D A D O S G E O G R Á F I C O S M A R C O N I D E A R R U D A P E R E I R A Roteiro 2 Introdução Mineração de Dados Estado da Arte Artigo apresentado Conclusão
Bom Dia! Eu sou Ricardo Carvalho. O objetivo desta apresentação é falar-vos de Inteligência de Negócio. Poderão contatar-me em
Bom Dia! Ricardo Carvalho Diretor de Unidade de Negócio Tecnologia Eu sou Ricardo Carvalho O objetivo desta apresentação é falar-vos de Inteligência de Negócio. Poderão contatar-me em rc@ayeda.com.br Conhecimento
SQL. Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri
SQL Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Arquitetura de 3 Camadas esquema operações conceitual metáfora do cubo de dados Cube
Enriquecendo Data Warehouses Espaciais com Descriç es Semânticas *
Enriquecendo Data Warehouses Espaciais com Descriç es Semânticas * Renato Deggau 1,2 Renato Fileto 1 (orientador) 1 Programa de Pós Graduação em Ciência da Computação (PPGCC) Universidade Federal de Santa
Uma abordagem lógica para base de dados multidimensionais
Uma abordagem lógica para base de dados multidimensionais Alessandro Elias aelias@c3sl.ufpr.br Professora: Carmem Satie Hara Disciplina CI087 - Tópicos em Banco de Dados Universidade Federal do Paraná
COMPARATIVO ENTRE MÉTODOS DE TRATAMENTO DE MAPAS DE PRODUTIVIDADE. Favoni, VA 1, Tedesco, DO 2, Tanaka, EM, 3
COMPARATIVO ENTRE MÉTODOS DE TRATAMENTO DE MAPAS DE PRODUTIVIDADE Favoni, VA 1, Tedesco, DO 2, Tanaka, EM, 3 1 Discente do curso em Mecanização em Agricultura de precisão na FATEC Pompeia Shunji Nishimura,
Sumário. 1 Introdução 2 BD Orientado a Objetos 3 BD Objeto-Relacional 4 Noções Básicas de Data Warehouse 5 XML e BD XML. Motivação
Sumário 1 Introdução 2 BD Orientado a Objetos 3 BD Objeto-Relacional Noções Básicas de Data Warehouse 5 XML e BD XML Motivação Sistemas de Apoio à Decisão Objetivo análise de dados históricos da organização
PÓS-GRADUAÇÃO LATO SENSU. Curso: Banco de Dados. Disciplina: Data Warehouse e Business Intelligence Professor: Fernando Zaidan
PÓS-GRADUAÇÃO LATO SENSU Curso: Banco de Dados Disciplina: Data Warehouse e Business Intelligence Professor: Fernando Zaidan Unidade 2.2 - Cubos 2016 ACOMPANHAMENTO IMPLEMENTAÇÃO 9 8 7 TESTE 6 CONTACTO
Inteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 4: OLAP) Fundamentação da disciplina Analise de dados
ANALYTICINT FERRAMENTA WEB PARA AVALIAR O PERFIL ACADÊMICO DOS CURSOS TÉCNICOS INTEGRADO DO IFC-VIDEIRA
ANALYTICINT FERRAMENTA WEB PARA AVALIAR O PERFIL ACADÊMICO DOS CURSOS TÉCNICOS INTEGRADO DO IFC-VIDEIRA Autores : Autor 1, Autor 2, Autor 3, Autor 4 1 Autor 2 Autor 3 Autor 4 Autor Introdução Com o objetivo
Implementing Data Models and Reports with SQL Server 2014 (20466)
Implementing Data Models and Reports with SQL Server 2014 (20466) Formato do curso: Presencial Localidade: Lisboa Com certificação: MCSE: Business Intelligence Data: 11 Set. 2017 a 22 Set. 2017 Preço:
Motivação. Análise de Dados. BD x DW OLTP. Data Warehouse. Revisão Quais as diferenças entre as tecnologias de BD e DW? OLAP Modelos Multidimensionais
Data Warehouse Análise de Dados Motivação Revisão Quais as diferenças entre as tecnologias de BD e? Modelos Multidimensionais BD x OLTP dados volume dados granularidade dados atualização dados uso Característica
Sistemas de Informação Geográficos. Informação na Organização. O Valor da Informação. Sistemas de Informação Tradicionais. O Valor da Informação
Introdução Fundamentos e Histórico dos SIG Clodoveu Davis Geográficos Tópicos Informação Sistemas de informação Informação nas organizações Informação geográfica Histórico dos SIG Características e funcionalidade
PLANO DE CURSO. Formação para Profissionais. PORTUGAL ANGOLA MOÇAMBIQUE CABO VERDE SÃO TOMÉ E PRÍNCIPE BRASIL
PLANO DE CURSO PORTUGAL ANGOLA MOÇAMBIQUE CABO VERDE SÃO TOMÉ E PRÍNCIPE BRASIL Formação para Profissionais + 2.000 Cursos Disponíveis A Melhor e Maior Oferta de Formação em Portugal + 1.300 Cursos na
Infra-Estrutura de Dados Espaciais. Bruno Rabello Monteiro
Infra-Estrutura de Dados Espaciais Bruno Rabello Monteiro Agenda Introdução e Conceituação SDI Problemas e Pesquisas Referências Bibliográficas Introdução Um SIG pode ser definido como (Bernard et al,,
Mineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Tópicos André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Data Warehouse e Data warehousing Data warehouse Sistemas de BD online Cubo de dados Operações com
Sistemas de Apoio à Decisão
Sistemas de Informação e Bases de Dados 2012/2013 Sistemas de Apoio à Decisão Alberto Sardinha Sumário! Data Warehouse! OLAP! Exemplo de OLAP com SQL Server Business Intelligence Development Studio! 2012
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
DATA WAREHOUSE. Prof. Fulvio Cristofoli. Armazenagem De Dados.
DATA WAREHOUSE Armazenagem De Dados Prof. Fulvio Cristofoli fulviocristofoli@uol.com.br www.fulviocristofoli.com.br Conceito Data Warehouse é um banco de dados orientado por assunto, integrado, não volátil
Introdução ao Data Mining. Sumário
Introdução ao Data Mining Instituto Nacional de Estatística 20-24 de Abril de 2009 Módulo 1 - Data Warehousing e Data Mining - André Falcão (afalcao@di.fc.ul.pt) Graça Gaspar (gg@di.fc.ul.pt) Sumário Data-mining
UNIVERSIDADE FEDERAL DE GOIÁS FACULDADE DE ADMINISTRAÇÃO, CIÊNCIAS CONTÁBEIS E CIÊNCIAS ECONÔMICAS
Segue abaixo uma breve explicação sobre os dados agropecuários analisados neste Boletim. Pesquisa, acompanhamento e avaliação de safras O Ministério da Agricultura, Pecuária e Abastecimento (MAPA) em conjunto
Estendendo GeoDWCASE para Oracle Spatial e MySQL PROPOSTA DE TRABALHO DE GRADUAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA Estendendo GeoDWCASE para Oracle Spatial e MySQL PROPOSTA DE TRABALHO DE GRADUAÇÃO Paulo Roberto de Melo Rodrigues
MARCELO EDUARDO GIACAGLIA MODELAGEM DE DADOS PARA PLANEJAMENTO E GESTÃO OPERACIONAL DE TRANSPORTES
MARCELO EDUARDO GIACAGLIA MODELAGEM DE DADOS PARA PLANEJAMENTO E GESTÃO OPERACIONAL DE TRANSPORTES Trabalho apresentado à Escola Politécnica da Universidade de São Paulo para obtenção do título de Doutor
Modelagem Multidimensional - Nível Físico -
Modelagem Multidimensional - Nível Físico - Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Arquitetura de 3 Camadas esquema operações conceitual metáfora do cubo de dados
Bancos de Dados IV. Data Warehouse Conceitos. Rogério Costa
Bancos de Dados IV Data Warehouse Conceitos Rogério Costa rogcosta@inf.puc-rio.br 1 Data Warehouse - O que é? Conjunto de dados orientados por assunto, integrado, variável com o tempo e nãovolátil Orientado
Instrumentos de informação para extração de indicadores e de informação textual
Instrumentos de informação para extração de indicadores e de informação textual Tatiana S. Gonzaga (Grupo Stela/UFSC) tatianag@stela.ufsc.br Fabiano D. Beppler (Grupo Stela/UFSC) fbeppler@stela.ufsc.br
3 Sistemática Proposta
3 Sistemática Proposta A sistemática proposta neste trabalho foi baseada nos conceitos e métodos revisados na literatura. A sistemática parte do desenho conceitual das estatísticas que é aplicado no processo
DCC011 Revisão: Modelagem de Dados
DCC011 Introdução a Banco de Dados -22 Revisão: Modelagem de Dados Mirella M. Moro Departamento de Ciência da Computação Universidade Federal de Minas Gerais mirella@dcc.ufmg.br 2008/2 Revisão: Propriedades
Campus Capivari Análise e Desenvolvimento de Sistemas (ADS) Prof. André Luís Belini /
Campus Capivari Análise e Desenvolvimento de Sistemas (ADS) Prof. André Luís Belini E-mail: prof.andre.luis.belini@gmail.com / andre.belini@ifsp.edu.br MATÉRIA: SIG Aula N : 08 Tema: Como melhorar a tomada
Nome da disciplina Título do trabalho
Nome da disciplina Título do trabalho Nome(s) do(s) aluno(s) e Número(s) do(s) aluno(s) Local e data AGRADECIMENTOS O autor agradece aqui aos orientadores e colegas que o ajudaram em qualquer ponto do
Tópicos Especiais em Informática Fatec Indaiatuba
Inteligência de Negócios Fatec Indaiatuba Prof. Piva Compreender as definições e conceitos básicos do Data Warehouse (DW) Entender as arquiteturas do DW Descrever os processos utilizados no desenvolvimento
Data Warehouse. Debora Marrach Renata Miwa Tsuruda
Debora Marrach Renata Miwa Tsuruda Agenda Passos para a Criação de um Modelo Dimensional Modelagem do Estudo de Caso de Vendas a Varejo Agenda Passos para a Criação de um Modelo Dimensional Modelagem do
Motivação e Conceitos Básicos
Motivação e Conceitos Básicos Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Data Warehousing Engloba arquiteturas, algoritmos e ferramentas
Identificação de Hierarquias Incompletas em Estruturas Multidimensionais de Dados
Identificação de Hierarquias Incompletas em Estruturas Multidimensionais de Dados Bruno Oliveira Orlando Belo { Id4103@alunos.uminho.pt } {obelo@di.uminho.pt} Centro de I&D ALGORITMI Universidade do Minho
Índice Bitmap e Indexação de Ambientes de Data Warehousing
Índice itmap e Indexação de Ambientes de Data Warehousing Jaqueline Joice rito jjbrito@icmc.usp.br 3 de Junho de 23 Roteiro Índice itmap Técnicas de otimização Adaptação da apresentação de Sérgio L. Díscola
English version at the end of this document
English version at the end of this document Ano Letivo 2016-17 Unidade Curricular TECNOLOGIAS E SISTEMAS DE INFORMAÇÃO Cursos DIREÇÃO E GESTÃO HOTELEIRA (2.º Ciclo) HOTELARIA E FUNÇÃO COMERCIAL HOTELARIA,
Ambiente de Data Warehouse Para Imagens Médicas Baseado Em Similaridade
Universidade de São Paulo - USP Instituto de Ciências Matemáticas e de Computação - ICMC Programa de Pós-Graduação em Ciências da Computação e Matemática Computacional Ambiente de Data Warehouse Para Imagens
Evento: XXV SEMINÁRIO DE INICIAÇÃO CIENTÍFICA
INTEGRAÇÃO DE APLICAÇÕES APLICADA À EXTRAÇÃO E QUALIFICAÇÃO AUTOMÁTICA DE PUBLICAÇÕES DE PESQUISADORES: UM CASO BASEADO NO CURRÍCULO LATTES 1 APPLICATION INTEGRATION APPLIED TO AUTOMATIC EXTRACTION AND
Fundamentos da Inteligência de Negócios: Gerenciamento da Informação e de Bancos de Dados by Prentice Hall
Fundamentos da Inteligência de Negócios: Gerenciamento da Informação e de Bancos de Dados 5.1 2007 by Prentice Hall A Abordagem de Banco de Dados para Gerenciamento de Dados Banco de dados: conjunto de
Agricultura de Precisão em Citros Mapeamento de Produtividade e Adubação em Taxas Variáveis
André F. Colaço¹; José P. Molin² 01 Agricultura de Precisão em Citros Mapeamento de Produtividade e Adubação em Taxas Variáveis ¹ Eng. Agrônomo, MSc, Doutorando em Engenharia de Sistemas Agrícolas (USP-ESALQ);
Um Método para Melhoria de Dados Estruturados de Imóveis
Universidade Federal de Pernambuco Centro de Informática Graduação em Ciência da Computação Um Método para Melhoria de Dados Estruturados de Imóveis Lucas Nunes de Souza Proposta de Trabalho de Graduação
Modelagem Multidimensional - Nível Físico -
Modelagem Multidimensional - Nível Físico - Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Arquitetura de 3 Camadas esquema operações
Apresentação. Rodrigo Leite Durães
Apresentação Assunto DATA WAREHOUSE Professor Rodrigo Leite Durães Data Warehouse Surgimento SADs Definição Propriedades e Conceitos Aplicações Arquitetura Modelagem Projeto Acesso a dados Considerações
Boletim de Agropecuária da FACE Nº 76, Dezembro de 2017
CURSO DE Boletim de Agropecuária da FACE Nº 76, Dezembro de 2017 Segue abaixo uma breve explicação sobre os dados agropecuários analisados neste Boletim. Pesquisa, acompanhamento e avaliação de safras
Modelos Conceituais de Dados
Modelos Conceituais de Dados 2. Modelagem Conceitual de Dados Geográficos A partir de idéias conceituais de fenômenos geográficos é possível formalizar a representação do espaço e de propriedades espaciais.
AULA 01 Bancos de Dados Relacionais Arquitetura Linguagem SQL Componentes: DDL, DML, DCL. Prof. Msc. Célio R. Castelano
AULA 01 Bancos de Dados Relacionais Arquitetura Linguagem SQL Componentes: DDL, DML, DCL Prof. Msc. Célio R. Castelano TÓPICOS Projeto de Bancos de Dados Relacionais Arquitetura Modelagem Conceitual Modelagem
Integração de Dados. Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri
Integração de Dados Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Prof. Dr. Ricardo Rodrigues Ciferri Integração de Dados Problema: dados armazenados nos provedores são
BRASILEIRO Brazilian Agribusiness Cepea Report
BOLETIM CEPEA do agronegócio AGOSTO/2017 BRASILEIRO Brazilian Agribusiness Cepea Report Notas Metodológicas - BOLETIM CEPEA do Agronegócio Brasileiro BRAZILIAN AGRIBUSINESS CEPEA REPORT O Boletim Cepea
UTILIZANDO DATA MART PARA O DESENVOLVIMENTO DE BUSINESS INTELLIGENCE APLICADA A CARTEIRA DE PEDIDOS DE UMA EMPRESA DO SETOR TÊXTIL
UTILIZANDO DATA MART PARA O DESENVOLVIMENTO DE BUSINESS INTELLIGENCE APLICADA A CARTEIRA DE PEDIDOS DE UMA EMPRESA DO SETOR TÊXTIL Acadêmico Robson Rogério Gamba Orientador Prof. Dr. Oscar Dalfovo Roteiro
Geoprocessamento na Agricultura de Precisão
1 a Semana Acadêmica de Engenharia de Agrimensura 29 de novembro a 03 de dezembro de 2004 UFRRJ IT Departamento de Engenharia MINICURSO Geoprocessamento na Agricultura de Precisão UFRRJ NOVEMBRO 2004 CONTEÚDO
Sistemas de Apoio à Decisão
Sistemas de Informação e Bases de Dados 2012/2013 Sistemas de Apoio à Decisão Alberto Sardinha Sumário! Processo ETL! Exemplo de ETL com o SQL Server Integration Services (SSIS)! Referências Raghu Ramakrishnan,
Metamodelos para Banco de Dados. Carlos Julian Menezes Araújo Prof. Dr. Robson do Nascimento Fidalgo
Metamodelos para Banco de Dados Carlos Julian Menezes Araújo cjma@cin.ufpe.br Prof. Dr. Robson do Nascimento Fidalgo 1 Agenda Metadados MDA MOF Metamodelos CWM Pacote Relacional Referências 2 Metadados
Avisos. SQL: Visões. Roteiro SELECT. Suporte de SQL para OLAP SQL DML CONTINUAÇÃO CONSULTAS AVANÇADAS. Cronograma das próximas aulas
Ciência da Computação GBC043 Sistemas de Banco de Dados Avisos SQL: Visões Profa. Maria Camila Nardini Barioni camila.barioni@ufu.br Bloco B - sala 1B137 1 semestre de 2019 Cronograma das próximas aulas
Data Warehouse Toolkit Guia completo para modelagem dimensional Capítulo 7 - Contabilidade
Guia completo para modelagem dimensional Capítulo 7 - Contabilidade Data Warehouse e OLAP Debora Marrach Guia completo para modelagem dimensional Forma de apresentação do livro Utiliza a abstração de processos
Como fazer a Agricultura de Precisão avançar no Brasil
Como fazer a Agricultura de Precisão avançar no Brasil USP/ESALQ/LAP jpmolin@usp.br www.agriculturadeprecisao.org.br Roteiro Revendo os conceitos Breve histórico Mercado de AP Desafios e perspectivas As
Modelagem Multidimensional - Nível Físico -
Modelagem Multidimensional - Nível Físico - Processamento Analítico de Dados Profa. Dra. Cristina Dutra de Aguiar Ciferri Arquitetura de 3 Camadas esquema operações conceitual metáfora do cubo de dados
Mapa Mental de Data Warehouse Definições e Características
Mapa Mental de Data Warehouse Definições e Características Um data warehouse (ou armazém de dados, ou depósito de dados no Brasil) é um sistema de computação utilizado para armazenar informações relativas
20/3/2012. Gerenciamento Estratégico de Dados. Gerenciamento Estratégico de Dados. Gerenciamento Estratégico de Dados. Prof. Luiz A.
Prof. Luiz A. Nascimento Principais ferramentas: Banco de Dados ERP (módulo BI) ETL Data Mart Data Warehouse Data Mining Planilha Eletrônica OLAP OLAP 1 Classificação das ferramentas: Construção extração
GERAÇÃO DE UM ÍNDICE DE FERTILIDADE PARA DEFINIÇÃO DE ZONAS DE MANEJO EM AGRICULTURA DE PRECISÃO
GERAÇÃO DE UM ÍNDICE DE FERTILIDADE PARA DEFINIÇÃO DE ZONAS DE MANEJO EM AGRICULTURA DE PRECISÃO ¹L.M.Gimenez, ²J.P. Molin (orientador): Departamento de Engenharia Rural ESALQ/USP RESUMO: A realização
Implementing Data Models and Reports with SQL Server 2014 (20466)
Implementing Data Models and Reports with SQL Server 2014 (20466) Formato do curso: Presencial e Live Training Localidade: Lisboa Com certificação: MCSE: Business Intelligence Data: 23 Jan. 2017 a 03 Fev.