2 PB

Revista da Graduao
Vol. 4
No. 2
2011
19
Seo: FACULDADE DE INFORMTICA
Ttulo: Inteligncia de negcios aplicada ao

ramo txtil
Autor: Danyel Saldanha Evangelista
Este trabalho est publicado na Revista da Graduao.

ISSN 1983-1374
http://revistaseletronicas.pucrs.br/ojs/index.php/graduacao/article/view/10085/7115
PONTIFCIA UNIVERSIDADE CATLICA DO RIO GRANDE DO SUL

FACULDADE DE INFORMTICA
CURSO DE BACHARELADO EM SISTEMAS DE INFORMAO
DANYEL SALDANHA EVANGELISTA
INART
Inteligncia de Negcios Aplicada ao Ramo Txtil
Porto Alegre, Rio Grande do Sul, Brasil

Junho de 2011
DANYEL SALDANHA EVANGELISTA
INART
INTELIGNCIA DE NEGCIOS APLICADA AO RAMO TXTIL
Trabalho
de
concluso
de
curso
de
graduao apresentado Faculdade de

Informtica
da
Pontifcia
Universidade
Catlica do Rio Grande do Sul, como requisito

parcial para obteno do grau de Bacharel em
Sistemas de Informao.
Orientador: Prof. Dr. Duncan Dubugras Ruiz
Porto Alegre, Rio Grande do Sul, Brasil

Junho de 2011
Raquel, a voc que est comigo em cada

passo da vida, certo ou errado, sempre
me apoiando, motivando e ensinando a
ser uma pessoa melhor.
A voc, exemplo de garra, coragem e
esperana, a quem tenho a honra de
chamar de me.
AGRADECIMENTOS
Aos meus pais Fabiano Barros e Raquel Saldanha por no terem medido esforos
para que eu chegasse at esta etapa de minha vida, bem como toda a motivao,
apoio e grande ajuda.
A Michelle Fanslau, minha namorada e melhor amiga, pela compreenso, carinho,

apoio, companheirismo e motivao.
Ao professor Dr. Duncan Dubugras Ruiz pelo incentivo e disposio em me orientar

na realizao desta monografia.
A empresa RCI Consulting S/A, parceira IBM, por todo o apoio tcnico e
amadurecimento dos meus conhecimentos e conceitos que me levaram a execuo
e concluso desta monografia.
RESUMO
Este projeto apresenta o desenvolvimento de uma soluo de Inteligncia de

Negcios que tem por objetivo auxiliar o gerenciamento de uma empresa de
pequeno porte de representaes comerciais atuante no ramo txtil, provendo
respostas s principais questes do seu negcio que so difceis de serem
adquiridas e demandam muito trabalho e esforo manual para obt-las. A soluo
tem como finalidade suprir os pontos em que a empresa cliente mais sente a falta de
informao, modelando um Data Warehouse que contm todos os aspectos
necessrios para desenvolver objetos de anlise multidimensionais como cubo
OLAP e relatrios. Tais objetos permitem empresa analisar seus clientes, regies
representadas, fbricas, produtos e representantes em funo do tempo,
visualizando seus dados na forma de informao e fornecendo assim um melhor
entendimento de seu negcio para que possa traar tticas e metas a fim de atingir
seu diferencial no mercado.
Palavras-chave:
Inteligncia
Gerenciamento. Data Warehouse.
de
Negcios.
Relatrios.
Cubos.
OLAP.
ABSTRACT
This work presents the development of a Business Intelligence solution that aims to
help managing a small commercial representations company that operates in the
textile business, providing answers to key questions about his business, which are
difficult to be acquired and demand hard work and manual effort to obtain them. The
proposed solution aims to meet the points where the customer company misses the
most of information, modeling a Data Warehouse that contains all the necessary
elements needed to develop multidimensional analysis objects as a OLAP cube and
reports. These objects allow the company to analyze their customers, represented
regions, factories, products and representatives across time viewing their data as
information, thus making possible a better understanding of their business and
allowing them to trace tactics to achieve its goals for market differentiation.
Keywords: Business Intelligence. Reports. Cubes. OLAP. Management. Data
Warehouse.
LISTA DE ILUSTRAES
Figura 2.1: Exemplo de modelagem dimensional...................................................... 17

Figura 2.2: Diagrama de modelagem em Estrela ...................................................... 18
Figura 2.3: Diagrama de modelagem em Floco de Neve .......................................... 19
Figura 2.4: Origem de dados para carregamento por ETL ........................................ 20
Figura 2.5: Carregamento dos dados no Data Warehouse ....................................... 22
Figura 2.6: Explorando o Data Warehouse ............................................................... 24
Figura 2.7: Representao da anlise de um cubo ................................................... 25
Figura 3.1: Fluxo de processos das ferramentas IBM Cognos .................................. 29
Figura 3.2: Visualizao IBM Cognos Framework Manager ..................................... 30
Figura 3.3: Visualizao IBM Cognos PowerPlay Transformer ................................. 31
Figura 3.4: Visualizao IBM Cognos PowerPlay Web ............................................. 31
Figura 3.5: Representao de relatrios criados no IBM Cognos Report Studio ...... 32
Figura 5.1: Modelo de dados proposto ...................................................................... 37
Figura 5.2: Banco de dados DW criado em Microsoft SQL Server............................ 38
Figura 5.3: Cadeia de processos para carregamento das tabelas dimensionais ...... 49
Figura 5.4: Cadeia de processos para carregamento das tabelas fatos ................... 49
Figura 5.5: Mapa de ETL da tabela DWD_TEMPO ................................................... 50
Figura 5.6: Mapa de ETL da tabela DWD_FABRICA ................................................ 51
Figura 5.7: Mapa de ETL da tabela DWD_REGIAO.................................................. 52
Figura 5.8: Mapa de ETL da tabela DWD_CLIENTE ................................................ 53
Figura 5.9: Mapa de ETL da tabela DWD_CADASTRO_PEDIDO ............................ 54
Figura 5.10: Mapa de ETL da tabela DWD_FORMA_PAGAMENTO ........................ 55
Figura 5.11: Mapa de ETL da tabela DWD_REPRESENTANTE .............................. 56
Figura 5.12: Mapa de ETL da tabela DWD_PRODUTO ............................................ 57
Figura 5.13: Mapa de ETL da tabela DWF_HISTORICO_PRODUTO ...................... 58
Figura 5.14: Mapa de ETL da tabela DWF_PEDIDO ................................................ 59
Figura 5.15: Mapa de ETL para update na tabela DWD_CLIENTE .......................... 60
Figura 5.16: Mapa de ETL da tabela DWF_VENDA.................................................. 62
Figura 5.17: Disposio dos objetos no portal IBM Cognos Connection ................... 63
Figura 5.18: Mapeamento fsico das tabelas no Framework Manager ...................... 64
Figura 5.19: Descries das tabelas mapeadas no Framework Manager ................. 64
Figura 5.20: Mapeamento lgico das tabelas no Framework Manager ..................... 65
Figura 5.21: Mapeamento de queries para criao do cubo OLAP ........................... 65
Figura 5.22: Dimenses e nveis do cubo analtico ................................................... 68
Figura 5.23: Caminhos alternativos do cubo analtico ............................................... 68
Figura 5.24: Categorias especiais de tempo ............................................................. 69
Figura 5.25: Estrutura da dimenso Tempo .............................................................. 70
Figura 5.26: Estrutura da dimenso Fbrica ............................................................. 70
Figura 5.27: Estrutura da dimenso Produto ............................................................. 71
Figura 5.28: Estrutura da dimenso Regio .............................................................. 71
Figura 5.29: Estrutura da dimenso Cliente .............................................................. 72
Figura 5.30: Estrutura da dimenso Representante .................................................. 72
Figura 5.31: Anlise padro do cubo INART Anlise de Pedidos .......................... 74
Figura 5.32: Vendas realizadas por regio x meses/anos......................................... 74
Figura 5.33: Anlise de Comisso de Representantes ............................................. 75
Figura 5.34: Anlise de Desempenho de Representantes ........................................ 76
Figura 5.35: Anlise de Vendas x Fbricas ............................................................... 77
Figura 5.36: Filtros de Grfico de Vendas x Fbricas ............................................... 78

Figura 5.37: Grfico de Vendas x Fbricas ............................................................... 78
Figura 5.38: Evoluo de Preo de Produtos ............................................................ 79
Figura 5.39: Ranking de Ajuste de Preos de Produtos ............................................ 80
Figura 5.40: Filtros de Quantidade de Produtos x Clientes ....................................... 81
Figura 5.41: Quantidade de Produtos x Clientes ....................................................... 81
Figura 5.42: Filtros de Ranking de Produtos ............................................................. 82
Figura 5.43: Ranking de Produtos ............................................................................. 82
Figura 5.44: Ranking de Clientes - Quantidade de Pedidos...................................... 83
Figura 5.45: Ranking de Clientes - Valor de Compras .............................................. 84
Figura 5.46: Filtros de Atividade e Inatividade de Clientes........................................ 85
Figura 5.47: Atividade e Inatividade de Clientes ....................................................... 85
Figura 5.48: Lista de Clientes x Regio/Segmento ................................................... 86
Figura 5.49: Anlise de Pedidos Cancelados ............................................................ 87
Figura 5.50: Filtros de Pesquisa de Pedidos de Clientes .......................................... 88
Figura 5.51: Pesquisa de Pedidos de Clientes .......................................................... 88
LISTA DE TABELAS
Tabela 5.1: Colunas da dimensional de Tempo ........................................................ 39

Tabela 5.2: Colunas da dimensional de Fbrica ....................................................... 40
Tabela 5.3: Colunas da dimensional de Produto ....................................................... 40
Tabela 5.4: Colunas da fato de Histrico de Produto ................................................ 41
Tabela 5.5: Colunas da dimensional de Forma de Pagamento ................................. 41
Tabela 5.6: Colunas da dimensional de Regio ........................................................ 42
Tabela 5.7: Colunas da dimensional de Representante ............................................ 42
Tabela 5.8: Colunas da dimensional de Cliente ........................................................ 43
Tabela 5.9: Colunas da dimensional de Cadastro de Pedido .................................... 44
Tabela 5.10: Colunas da fato de Pedido ................................................................... 44
Tabela 5.11: Colunas da fato de Venda .................................................................... 45
Tabela 5.12: Tabela de origem para Cadastro de Pedido, Pedido e Venda ............. 46
Tabela 5.13: Tabela de origem para Cliente e Regio .............................................. 47
Tabela 5.14: Tabela de origem para Produto e Histrico do Produto........................ 47
Tabela 5.15: Tabela de origem para Representante ................................................. 47
Tabela 5.16: Tabela de origem para Fbrica e Forma de Pagamento ...................... 48
Tabela 5.17: Tabela de origem para Tempo ............................................................. 48
Tabela 5.18: Mapeamento para carregamento da dimensional Tempo .................... 50
Tabela 5.19: Mapeamento para carregamento da dimensional Fbrica ................... 51
Tabela 5.20: Mapeamento para carregamento da dimensional Regio .................... 52
Tabela 5.21: Mapeamento para carregamento da dimensional Cliente .................... 53
Tabela 5.22: Mapeamento para carregamento da dimensional Cadastro Pedido ..... 54
Tabela 5.23: Mapeamento para carregamento da dimensional Forma Pagamento .. 55
Tabela 5.24: Mapeamento para carregamento da dimensional Representante ........ 56
Tabela 5.25: Mapeamento para carregamento da dimensional Produto ................... 57
Tabela 5.26: Mapeamento para carregamento da fato Histrico Produto ................. 58
Tabela 5.27: Mapeamento para carregamento da fato Pedido ................................. 59
Tabela 5.28: Mapeamento para atualizao da dimensional Cliente ........................ 60
Tabela 5.29: Mapeamento para carregamento da fato Venda .................................. 61
Tabela 5.30: Relao de indicadores do cubo .......................................................... 73
LISTA DE ABREVIATURAS
Etc.
Et cetera
Ltda.
Limitada
10
LISTA DE SIGLAS
BI
Business Intelligence
DM
Data Mart
DW
Data Warehouse
ETL
Extract, Transform, Load
IBM
International Business Machines
INART
Inteligncia de Negcios Aplicada ao Ramo Txtil
OLAP
On-Line Analytical Processing
SAP
Systeme, Anwendungen und Produkte in der Datenverarbeitung
SQL
Structured Query Language
SK
Surrogate Key
11
SUMRIO
INTRODUO ................................................................................................................................ 13
FUNDAMENTAO TERICA ..................................................................................................... 15

2.1
BUSINESS INTELLIGENCE ......................................................................................................................... 15
2.2
INFRAESTRUTURA DE DADOS ................................................................................................................... 16
2.3
MODELAGEM DIMENSIONAL .................................................................................................................... 16
2.3.1 Tabelas Dimensionais ...................................................................................................................... 17

2.3.2 Tabelas Fatos ................................................................................................................................... 17
2.3.3 Modelo Estrela ................................................................................................................................. 18
2.3.4 Modelo Floco de Neve ..................................................................................................................... 19
2.4
EXTRAO, TRANSFORMAO E CARREGAMENTO.................................................................................. 20
2.4.1 Extrao de Dados ........................................................................................................................... 21

2.4.2 Transformao de Dados ................................................................................................................. 21
2.4.3 Carregamento de Dados .................................................................................................................. 22
2.5
DATA WAREHOUSE.................................................................................................................................... 23
2.5.1 Data Marts ....................................................................................................................................... 23

2.6
ON-LINE ANALYTICAL PROCESSING (OLAP) .............................................................................................. 24
2.6.1 Cubos ............................................................................................................................................... 25

2.6.2 Operaes OLAP ............................................................................................................................. 26
3
FERRAMENTAS IBM COGNOS .................................................................................................... 28

3.1
APRESENTAO IBM COGNOS .............................................................................................................. 28
3.1.1 Fluxo de Processos IBM Cognos................................................................................................ 28

3.1.2 IBM Cognos Framework Manager .............................................................................................. 29
3.1.3 IBM Cognos PowerPlay ............................................................................................................... 30
3.1.4 IBM Cognos Report Studio .......................................................................................................... 32
4
OBJETIVOS DO PROJETO ........................................................................................................... 33
PROJETO INART ........................................................................................................................... 35

5.1
NECESSIDADES DO NEGCIO ................................................................................................................. 35
12
5.2
MODELO DATA W AREHOUSE.................................................................................................................. 37
5.2.1 Dicionrio de Dados ...................................................................................................................... 39

5.3
PROCESSOS DE ETL .............................................................................................................................. 46
5.3.1 Arquivos de Origem ...................................................................................................................... 46

5.3.2 Mapeamento Origem/Destino ..................................................................................................... 49
5.4
DEFINIO DO PORTAL IBM COGNOS ................................................................................................... 63
5.5
CRIAO DE FRAMEWORK ...................................................................................................................... 63
5.6
CRIAO DO CUBO ANALTICO ............................................................................................................... 67
5.6.1 Indicadores ..................................................................................................................................... 73

5.7
CRIAO DE RELATRIOS ...................................................................................................................... 75
5.7.1 Anlise de Comisso de Representantes ................................................................................. 75

5.7.2 Anlise de Desempenho de Representantes ........................................................................... 76
5.7.3 Anlise de Vendas x Fbricas ..................................................................................................... 77
5.7.4 Grfico de Vendas x Fbricas ..................................................................................................... 78
5.7.5 Evoluo de Preo de Produtos ................................................................................................. 79
5.7.6 Ranking de Ajuste de Preos de Produtos ................................................................................ 80
5.7.7 Quantidade de Produtos x Clientes ............................................................................................ 80
5.7.8 Ranking de Produtos .................................................................................................................... 82
5.7.9 Ranking de Clientes - Quantidade de Pedidos ......................................................................... 83
5.7.10 Ranking de Clientes - Valor de Compras .................................................................................. 84
5.7.11 Atividade e Inatividade de Clientes ............................................................................................ 84
5.7.12 Lista de Clientes x Regio/Segmento ........................................................................................ 86
5.7.13 Anlise de Pedidos Cancelados ................................................................................................. 86
5.7.14 Pesquisa de Pedidos de Clientes ............................................................................................... 87
5.8
6
IMPLANTAO ......................................................................................................................................... 89
CONSIDERAES FINAIS ........................................................................................................... 90
REFERNCIAS ..................................................................................................................................... 92
GLOSSRIO ......................................................................................................................................... 94
13
INTRODUO
Com a crescente concorrncia e constante mudana no ambiente empresarial,

as organizaes tornam-se cada vez mais interessadas em diferenciar-se no
mercado competitivo, alm de ter a capacidade de resposta imediata. Para criar
diferenciais competitivos, os empresrios passam a necessitar de uma soluo em
seus negcios que possa torn-los capazes de estipular metas a curto, mdio e
longo prazo, assim como avaliar se as decises tomadas so pertinentes e
realmente necessrias aos seus clientes.
Com a publicao da primeira edio do livro The Data Warehouse Toolkit
(Wiley) em 1996, Ralph Kimball amadureceu a idia de organizaes de portes
distintos adotarem tcnicas de Data Warehousing em seus negcios. Desde ento, a
modelagem dimensional passou a ser amplamente aceita como tcnica dominante
nessas solues.
Tm-se reconhecido que tais solues devem focar-se em simplicidade
para obter o sucesso, pois esta a chave fundamental que permite ao
banco de dados ser facilmente interpretado e entendido pelos usurios e
eficientemente utilizado por softwares. (KIMBALL e ROSS, 2002, p. 17)
Quando lidamos com uma empresa de pequeno porte, a necessidade de

explorar estratgias de gerenciamento com processos de tomada de deciso
objetivos, eficazes e coerentes torna-se ainda mais evidente, uma vez que o
conhecimento em sua rea de atuao grande, porm o domnio de sua
informao precrio.
A fim de evidenciar os ganhos proporcionados pela implantao de uma
tcnica gerencial, este projeto conta com a aplicao de uma soluo de inteligncia
de negcios em uma pequena empresa de representaes comerciais atuante no
ramo txtil. Baseando-se em conceitos de Business Intelligence e Data
Warehousing, feita uma modelagem dimensional que atravs de relatrios e
consultas OLAP baseadas no histrico de seus dados, obtm-se informaes que
possibilitam um melhor entendimento do negcio da empresa e permite mesma
traar tticas e metas para atingir seu diferencial no mercado.
14
Este documento visa abranger todos os passos que foram necessrios at que
o produto final fosse implantado no ambiente do cliente, contemplando assim um
embasamento terico que descreve a soluo abordada, uma seo explicativa
sobre a tecnologia utilizada, os objetivos atingidos pelo projeto e todo o fluxo de
desenvolvimento, bem como o resultado alcanado e algumas consideraes finais.
15
FUNDAMENTAO TERICA
Este captulo aborda os tpicos de suma importncia para o entendimento da

motivao que envolve o objetivo a ser alcanado.
2.1 BUSINESS INTELLIGENCE
Business Intelligence pode ser dado como tendo o correto acesso aos corretos
dados ou informaes necessrias para tomar as corretas decises no correto
momento (STACKOWIAK, RAYMAN e GREENWALD, 2007, p. 3).
Devido o aumento de concorrncia no ramo empresarial, segundo Almeida e
outros (1999), vital que as organizaes necessitem fornecer um grande nmero
de informaes efetivas a seus usurios de negcios. Tais informaes necessitam
ser providas rapidamente e podem se referir a uma anlise de duas ou mais reas
da empresa, baseando-se em mtricas do negcio ou indicadores econmicos, por
exemplo. A soluo para esse problema a aplicao de uma soluo BI capaz de
providenciar aos usurios as respostas necessrias para questes de negcios,
assim como torn-los aptos a tomar decises tticas e estratgicas.
Conforme Jacobson, Misner e Hitachi (2007), o conceito de BI fazer uso de
informaes j disponveis em uma empresa para ajudar os responsveis pelas
tomadas de decises a adotar as melhores opes da forma mais rpida.
O ambiente de uma soluo BI contempla uma srie de processos
operacionais, onde os dados do cenrio empresarial no qual implantado so
remodelados em um conceito dimensional. Isso possibilita a obteno da informao
necessria em um amplo nvel de detalhe, trazendo ao usurio subsdios para a
tomada de decises em seu negcio.
16
2.2 INFRAESTRUTURA DE DADOS
O modelo de dados o ncleo de um Data Warehouse. As decises tomadas

ao definir o modelo de dados determinam a infraestrutura dos mesmos (SMITH,
2007, p. 4). No processo de definio de uma modelagem, deve-se conhecer por
inteiro as necessidades de negcio do cliente e quais tticas utilizar para atend-las.
Este processo pode ser considerado como a chave para o sucesso de uma soluo
BI, pois o impacto causado no processo de implementao muito grande, sendo
responsvel por determinar o desempenho, o atendimento s diferentes ferramentas
front-end utilizadas e a contemplao do modelo aos objetos de anlises criados. A
definio do modelo de dados deve necessariamente adequar-se s mudanas do
mercado, usabilidade e ao atendimento aos problemas levantados pelo cliente.
O modelo de dados descreve a representao lgica e fsica dos dados
persistentes no sistema. Tambm abrange qualquer comportamento
definido no banco de dados, como procedimentos armazenados, triggers,
restries e etc. (SOUZA, 2005)
2.3 MODELAGEM DIMENSIONAL
Assim
como
modelagem
entidade-relacionamento,
modelagem
dimensional um processo lgico de design utilizado para a organizao dos dados

para grupos funcionais de usurios ou funes de negcios (SMITH, 2007, p. 5).
De acordo com Kimball e outros (1998), a modelagem dimensional a nica
tcnica vivel para bancos de dados que devem responder consultas em um Data
Warehouse, simplificando a visualizao de dados abstratos e relacionando de uma
forma eficaz informaes de diferentes reas da empresa.
No processo de construo de um modelo dimensional, as tabelas do banco de
dados adquirem a nomenclatura de tabelas dimensionais ou tabelas fatos, de acordo
com sua funo, onde fatos so tabelas centrais e dimensionais so tabelas
relacionadas direta ou indiretamente a elas, conforme representado na figura 2.1.
17
Figura 2.1: Exemplo de modelagem dimensional

Fonte: Adaptao do autor segundo Kimball e outros (1998)
2.3.1 Tabelas Dimensionais
Tabelas dimensionais so responsveis por armazenar toda e qualquer

informao de ordem cadastral sobre cada um dos elementos que fazem parte do
processo. Conforme exemplo apresentado na figura 2.1, a tabela dimensional Linha
de Produto responsvel por possuir todas as informaes das linhas de produtos
enquanto a dimensional Produto possui descries curtas e detalhadas sobre cada
produto de cada linha de produto, alm de conter seu tamanho, peso, cor, marca,
tipo da embalagem, etc. Ou seja, todos os atributos capazes de definir o produto e
que possam ser utilizados para futuras anlises que levaro o empresrio a tomar
decises sobre seu negcio.
2.3.2 Tabelas Fatos
Todas as informaes mensurveis do modelo de dados dimensional devem

ser armazenadas em tabelas denominadas fatos que, atravs de chaves
estrangeiras, relacionam-se com suas informaes cadastrais localizadas nas
tabelas dimensionais. Tais tabelas podem conter, tomando como exemplo a tabela
18
fato Vendas da figura 2.1, a quantidade de produtos que foram vendidos, o valor
unitrio dos produtos vendidos e o valor da venda para cada loja todos os dias.
Uma tabela fato pode ser extremamente grande devido sua volumetria de
dados, sendo muito comum alcanar alguns Gigabytes logo nos primeiros meses de
uso no Data Warehouse.
2.3.3 Modelo Estrela
No Modelo Estrela
(Star Schema) todas as tabelas dimensionais so
relacionadas diretamente s tabelas fatos, assumindo uma forma semelhante a uma

estrela, conforme exemplo representado na figura 2.2.
Figura 2.2: Diagrama de modelagem em Estrela

Fonte: Adaptao do autor segundo Johnson (2007)
19
Nesta modelagem, as tabelas dimensionais no so normalizadas, ou seja,

possuem todas as descries e cdigos necessrios para definir uma classe de um
determinado assunto.
2.3.4 Modelo Floco de Neve
Na modelagem em Floco de Neve (Snow Flake), diferentemente da

modelagem em Estrela, as tabelas dimensionais so normalizadas, o que diminui
seu volume de dados, uma vez que o gro de detalhe da informao contida em
cada dimensional se torna muito menor. A aplicao de tal modelo implica no
relacionamento de dimensionais entre si formando um diagrama semelhante forma
de um floco de neve, conforme exemplo demonstrado na figura 2.3.
Figura 2.3: Diagrama de modelagem em Floco de Neve

Fonte: Adaptao do autor baseando-se na figura 2.2
20
Nardi (2007), sobre o Modelo Floco de Neve: a consolidao de informaes

sobre diversas pequenas dimenses que possuam poucos campos (muitas vezes
apenas a descrio) em uma nica tabela. Desse modo, o nmero de tabelas em
junes pode ser reduzido, melhorando o desempenho.
2.4 Extrao, Transformao e Carregamento
Para desenvolver uma soluo BI em um ambiente Data Warehouse e atingir o

resultado esperado de transformar os dados de uma organizao em informao de
nvel gerencial, so necessrios alguns passos tcnicos, segundo Kimball e outros
(1998, p. 1.2). Uma vez construdo o modelo de dados dimensional e tendo as
tabelas criadas fisicamente, de necessidade um processo capaz de extrair os
dados de bases heterogneas (representao da figura 2.4), transform-los a fim de
serem compreensveis no contexto do modelo desenhado, e ento carreg-los no
DW.
Figura 2.4: Origem de dados para carregamento por ETL

Fonte: Adaptao do autor conforme Kimball e outros (1998)
21
A maior parte do esforo exigido no desenvolvimento de um DW consumido

neste momento e no incomum que oitenta por cento de todo esforo seja
empregado no processo de ETL (INMON, 1997, p. 276).
O processo de Extrao, Transformao e Carregamento (Extract, Transform,
Load - ETL) de dados muito importante, pois a forma pela qual os dados so
efetivamente carregados no DW.
2.4.1 Extrao de Dados
Segundo Almeida (2006), a etapa de extrao de dados baseada na busca

das mais importantes informaes em origens distintas e que estejam em
conformidade com o modelo DW.
Ao criar-se um Data Warehouse, costuma-se fazer com que a extrao busque
todos os dados nos sistemas de origem, aplicando uma carga completa dos dados.
Com o decorrer do tempo, deve-se preparar a extrao para apenas carregar dados
incrementais. A carga incremental que carrega apenas os registros que foram
alterados ou inseridos desde a carga inicial muito mais eficiente (KIMBALL e
OUTROS, 1998).
2.4.2 Transformao de Dados
Sendo a fase subsequente extrao, a transformao de dados

responsvel no s por transformar os dados, mas por limp-los. Conforme
Gonalves (2003), tal limpeza inclui filtrar falhas nos dados como erros de digitao
e violaes de integridade. Tambm capaz de substituir caracteres desconhecidos
e padronizar abreviaes.
22
Kimball e outros (1998) pontuam que as caractersticas mais relevantes para

garantir a homogeneidade e a qualidade dos dados garantindo seu devido
carregamento no DW so: unicidade, preciso, completude e consistncia.
2.4.3 Carregamento de Dados
Aps a transformao e limpeza dos dados, se d a fase de carregamento dos

mesmos no DW, conforme representado na figura 2.5.
Figura 2.5: Carregamento dos dados no Data Warehouse

Primeiramente,
inicia-se
processo
de
carregamento
das
tabelas
dimensionais e, aps, o das tabelas fatos, garantindo a consistncia dos dados e

aplicando, se necessrio, regras como filtros ou clculos a serem realizados. neste
momento que se aplica o conceito de chaves substitutas (Surrogate Keys SK), que
so chaves artificiais encarregadas de garantir a integridade referencial entre fatos e
dimensionais.
23
2.5 DATA W AREHOUSE
No final dos anos 80 e comeo dos anos 90, bancos de dados com suporte a
decises comearam a ser implementados separadamente de bases transacionais,
os quais tornaram-se conhecidos como Data Warehouses (STACKOWIAK,
RAYMAN e GREENWALD, 2007, p. 12).
Um ponto que torna o DW muito poderoso que informaes de diversas
reas da empresa so reunidas em um banco de dados de estrutura dimensional.
Isso as torna unificadas e padronizadas em um mesmo local, o que possibilita aos
usurios finais executar consultas, gerar relatrios e fazer anlises de forma simples
e eficiente.
De acordo com Kimball e Ross (2002) em relao ao DW, importante
ressaltar que: deve tornar a informao da organizao facilmente acessvel; deve
apresentar os dados da organizao de forma consistente; deve ser adaptvel s
mudanas; deve garantir a segurana e o controle da informao; deve possuir os
corretos dados para serem tomadas as corretas decises; e deve ser
completamente aceito e utilizado pelos usurios como se fosse um novo sistema
operacional o qual so obrigados a utilizar.
2.5.1 Data Marts
Data Marts (DM) so segmentos relativos a um determinado assunto que,

quando juntos, contemplam o Data Warehouse. Em outras palavras, uma
organizao pode projetar um DM para cada rea de negcio ou setor e obter uma
viso geral da empresa vinculando todos eles atravs de um Data Warehouse
(STAUDT, 2008, p. 39).
Conforme apontam Fortulan e Filho (2005), por serem focados em um nico
assunto, os DMs oferecem uma anlise muito mais especfica e um maior
24
desempenho que o DW. Porm, seus desenvolvimentos independentes podem

ocasionar em uma fragmentao dos dados, inviabilizando a integrao da
informao na organizao.
2.6 ON-LINE ANALYTICAL PROCESSING (OLAP)
Ao obtermos um Data Warehouse modelado e carregado, a explorao

multidimensional dos dados torna-se possvel atravs de consultas OLAP, relatrios
e minerao de dados, entre outros, conforme representado na figura 2.6.
OLAP so ferramentas de BI criadas com o objetivo de gerar informaes
baseadas em dados extrados de diversas fontes externas, permitindo
vrias vises no intuito de possibilitar perspectivas sobre o negcio da
organizao em vrios nveis de detalhe (STAUDT, 2007, p. 47).
Bispo e Cazarini (1998 apud Fortulan e Filho, 2005) definem o OLAP como
sendo uma ferramenta que possibilita: uma anlise multidimensional visando vrios
ngulos do negcio; a realizao de clculos complexos, agregao e consolidao
dos dados; fazer previses e anlises de tendncias; construir cenrios a partir de
suposies; e fazer clculos manipulando dados atravs de diferentes dimenses.
Figura 2.6: Explorando o Data Warehouse

25
2.6.1 Cubos
Os cubos so os principais objetos de um OLAP. Construdos com

tecnologia que permite rpido acesso aos dados, normalmente eles so
construdos a partir de sub-conjuntos de um Data Warehouse e so
organizados e sumarizados dentro de estruturas multidimensionais
definidas por dimenses e medidas (FORTULAN e FILHO, 2005, p. 58).
Segundo Kimball e outros (1998), quase todos os tipos de dados de negcio

podem ser representados por um cubo de dados. No cubo, as clulas representam
os valores medidos enquanto seus lados representam diferentes dimenses de
anlise. Na figura 2.7 podemos observar um exemplo de representao de um cubo,
onde analisada a margem de lucro das vendas realizadas na Amrica do Norte
durante o ms de maro de 2009.
Figura 2.7: Representao da anlise de um cubo

Fonte: Traduo do autor segundo Tabulus (2010)
Cada dimenso do cubo estruturada atravs de uma (Modelo Estrela) ou

mais (Modelo Floco de Neve) tabelas dimensionais do DW respectivas a um mesmo
assunto de anlise. As medidas (indicadores) nele disponibilizadas so as
mensuraes de uma ou mais tabelas fato e/ou clculos realizados em cima das
mesmas que, quando cruzadas com as dimenses, tornam possveis responder
questes de negcio.
26
No processo de gerao de um cubo, realizada uma combinao indexada

de todos os cruzamentos de informaes possveis entre as tabelas fatos e
dimensionais do modelo multidimensional presentes no cubo. Isso o torna
extremamente eficiente e rpido em termos de consultas, deixando-o muito mais
usual no auxlio para tomadas de decises do que consultas a uma base de dados
relacional.
2.6.2 Operaes OLAP
Ao analisarmos um cubo atravs de consultas ad-hoc, algumas funcionalidades

OLAP so consideradas por Inmon (1997) e Singh (2001) como sendo as principais:
Drill-down Aumento do nvel de detalhe da informao e consequente

diminuio do nvel de granularidade atravs da navegao pelos nveis
hierrquicos definidos no conjunto de dados que est sendo visualizado;
Drill-up Diminuio no nvel de detalhe da informao e consequente

aumento do nvel de granularidade atravs da navegao pelos nveis
hierrquicos definidos no conjunto de dados que est sendo visualizado. o
processo inverso ao drill-down;
Drill-across se refere s navegaes realizadas nas dimenses, onde as

consultas passam de um nvel para o outro sem passar pelos nveis
intermedirios;
Drill-through a funcionalidade utilizada quando se necessita analisar uma

informao em um nvel de detalhe menor do que o apresentado pelas
tabelas fato. Ou seja, a operao que busca a informao alm do nvel de
granularidade existente na estrutura dimensional apresentada no cubo;
Pivoting a alternncia entre linhas e colunas na consulta apresentada, a

fim de obter uma nova viso das informaes;
27
Slice & dice permite a rotao em qualquer sentido dos lados do cubo de
dados que est sendo analisado, possibilitando a combinao de qualquer
dimenso para a obteno das informaes necessrias.
28
FERRAMENTAS IBM COGNOS
Este captulo tem por objetivo apresentar as ferramentas de Business

Intelligence IBM Cognos, uma vez que so utilizadas para o desenvolvimento do
projeto e, assim, seu fluxo de processos de desenvolvimento adotado.
Tais ferramentas no so disponibilizadas pela universidade PUCRS e a
verso utilizada foi provida e de inteira responsabilidade do desenvolvedor do
projeto.
1.1
APRESENTAO IBM COGNOS
A Cognos uma empresa canadense, recentemente adquirida pela IBM, que

produz softwares para gesto empresarial, lder e consolidada no mercado em seu
ramo. Suas ferramentas permitem integrao com ferramentas de outras empresas
como Oracle, SAP e Microsoft. Abaixo sero relacionadas as ferramentas
disponveis no ambiente do cliente deste projeto, as quais sero utilizadas para a
construo da soluo proposta.
1.1.1 Fluxo de Processos IBM Cognos
No fluxo de processo das ferramentas IBM Cognos (representado na figura

3.1), feito um mapeamento do DW no Framework Manager e criao de queries
que, quando publicadas no portal Cognos, podem ser lidas pelo PowerPlay
Transformer para a construo de cubos multidimensionais ou pelo Report Studio
para a construo de relatrios diretamente da base dimensional. Quando
construdos os cubos, estes so publicados no portal Cognos para serem analisados
29
ou para servirem de fonte de dados para a construo de relatrios pelo Report

Studio que, por fim, so tambm publicados no portal para o acesso dos usurios.
Figura 3.1: Fluxo de processos das ferramentas IBM Cognos

Fonte: Adaptao do autor conforme Framework (2006)
1.1.2 IBM Cognos Framework Manager
uma ferramenta onde possvel fazer a modelagem dos metadados atravs

de representaes fsicas e lgicas do Data Warehouse, assim como estruturaes
visuais de Data Marts, possibilitando assim ao usurio visualizar as tabelas do DW e
entender o que cada uma representa (conforme apresentao da ferramenta na
figura 3.2), dado que, por padres de criao de bancos de dados, as tabelas
assumem nomenclaturas muitas vezes complicadas de serem entendidas. A
ferramenta tambm possibilita a criao das queries que sero utilizadas para a
construo dos cubos e/ou relatrios, alm de public-las no portal Cognos
(FRAMEWORK, 2006).
30
Figura 3.2: Visualizao IBM Cognos Framework Manager
1.1.3 IBM Cognos PowerPlay
A ferramenta IBM Cognos PowerPlay utiliza a estrutura multidimensional OLAP

para a criao e anlise de cubos multidimensionais atravs de consultas nos Data
Marts. Atrvs do mdulo IBM Cognos PowerPlay Transformer, cria-se um modelo de
estruturao do cubo (apresentado na figura 3.3), utilizando as queries publicadas
pelo IBM Cognos Framework Manager no portal e definindo a criao das
dimenses que sero utilizadas no cubo, assim como os indicadores que faro
escopo elas. Aps, com base no modelo criado, gerado e publicado no portal o
cubo multidimensional. O mdulo IBM Cognos PowerPlay Web (apresentado na
figura 3.4) possibilita realizar consultas ad-hoc em cima dos cubos publicados no
portal (POWERPLAY, 2006).
31
Figura 3.3: Visualizao IBM Cognos PowerPlay Transformer
Figura 3.4: Visualizao IBM Cognos PowerPlay Web
32
1.1.4 IBM Cognos Report Studio
uma ferramenta de acesso aos dados multidimensionais publicados no portal

Cognos que possibilita a criao de relatrios dinmicos de nvel complexo para
atender as necessidades de negcios atravs de consultas ad-hoc de maneira limpa
e amigvel ao usurio, conforme figura 3.5 (REPORT, 2006).
Figura 3.5: Representao de relatrios criados no IBM Cognos Report Studio
33
OBJETIVOS DO PROJETO
Este projeto tem por objetivo desenvolver e implantar uma soluo de Business
Intelligence em uma empresa de pequeno porte atuante no ramo de representaes
comerciais na rea txtil a fim de prover um aspecto gerencial e um conhecimento
sobre seus dados. Desta forma, fornece, atravs de objetos multidimensionais, uma
base de apoio sua tomada de decises e definies estratgicas para atingir um
diferencial no mercado competitivo, cuja carncia muito grande.
A empresa Thrillway Comrcio e Representaes Ltda. utilizava planilhas
Microsoft Office Excel com cadastros dos pedidos realizados, lista de clientes,
produtos e empresas representadas. Devido a isso, cada vez que era necessrio ter
o conhecimento de quais clientes realizaram pedidos no ltimo ano e so
considerados ativos ou at mesmo analisar o desempenho de vendas de um
representante preposto era um processo trabalhoso de busca em planilhas, alm de
tender ao erro ou falta de informaes por ser um processo manual. A soluo
proposta automatiza este e muitos outros processos, fornecendo ao cliente um novo
ngulo de seu negcio atravs de um cubo de anlise OLAP onde possvel cruzar
toda e qualquer informao com relao a seus clientes, regies representadas,
produtos, fbricas e representantes em funo do tempo, alm de prover relatrios
pr-estabelecidos que respondem questes de entendimento necessrio para a
gesto da empresa.
O trabalho acompanha todas as etapas do desenvolvimento e aplicao de
uma soluo BI, documentando e transparecendo todas as dificuldades do processo,
o qual iniciou-se com o levantamento de requisitos e necessidades do cliente, para
que fosse possvel modelar um Data Warehouse que atendesse e fosse adaptvel
s mudanas de negcio da empresa. Aps, foram implementados processos de
ETL, os quais tiveram como origem as planilhas do cliente e foram responsveis por
transformar e carregar os dados no DW criado. Em seguida, foi utilizado o conjunto
de ferramentas IBM Cognos citado anteriormente para o mapeamento dos
metadados do DW, criao do cubo OLAP e desenvolvimento de relatrios, os quais
possibilitam ao usurio o acesso de seus dados na forma de informao.
34
Por fim, aps a implantao da soluo proposta, foi feita uma reunio com o
cliente, o qual forneceu um feedback sobre os resultados alcanados e expressou a
importncia e relevncia do projeto em seu negcio, avaliando sua implantao.
35
PROJETO INART
Este captulo tem por fim abordar detalhadamente as definies elaboradas

para a soluo do projeto, assim como seu escopo.
1.2
NECESSIDADES DO NEGCIO
Para o melhor entendimento do negcio, abaixo encontram-se descritas suas

peculiaridades, seguidas da definio da soluo que atende as necessidades em
todos os aspectos.
A empresa Thrillway Comrcio e Representaes Ltda. uma empresa que
representa produtos de diferentes fbricas do ramo txtil e vende para clientes do
estado do Rio Grande do Sul.
Os produtos representados pela empresa pertencem a diferentes fbricas do
ramo txtil, onde o mesmo produto pode ser diferenciado por seu tamanho. Por
exemplo, o produto Edredom Alaska vendido nos tamanhos casal e solteiro, o que
ao nvel de registro interpretado como dois produtos diferentes. O tipo de produto
pode se repetir entre as fbricas representadas. De tempos em tempos, a empresa
informada de alteraes no preo dos produtos, ento de suma importncia
manter um histrico desta informao para eventuais anlises.
Cada fbrica representada trabalha com suas formas de pagamentos e
parcelamentos, os quais podem ser diferentes entre as fbricas.
Cada representante da empresa pode ser do tipo titular ou preposto, o que
determina sua comisso. As comisses so diferenciadas em relao a produtos de
fbricas diferentes. Por exemplo, um representante de tipo titular fez um pedido de
produtos de uma fbrica A, a qual d 7% da venda de comisso. Logo, os 7% do
valor do pedido a comisso do representante titular. Se um representante de tipo
36
preposto realiza o mesmo pedido, supondo que sua comisso de 5%, os demais
2% do valor da venda sero a comisso do representante titular.
Os clientes so agrupados por regio ou por segmentos de produtos. Tais
segmentos so tratados como grupos de produtos os quais aquele cliente vende. Os
clientes so diferenciados por suas razes sociais, porm um cliente pode ser de
tipo concentrador, o que indica que este tratado como uma matriz de diversas
filiais de clientes que so capazes de fazer pedidos, cada um possuindo uma razo
social diferente.
Os clientes so considerados inativos se estiverem a mais de doze meses sem
realizar um pedido.
Quando um pedido realizado, este contm o nome do representante que o
vendeu, uma listagem dos produtos pedidos, assim como suas quantidades e
valores, o percentual de desconto aplicado por produto, a forma de pagamento
utilizada, a data, o cliente que o fez, endereos de cobrana e entrega, o valor total
do pedido com os descontos aplicados e demais observaes.
Um pedido pode no se tornar uma venda necessariamente, pois o cliente
capaz de cancel-lo. Este caso torna importante manter um status dos pedidos
realizados.
Quando emitida uma nota fiscal pela fbrica dos produtos do pedido, este
considerado como vendido. Esta nota contm os nmeros de duplicatas relativas
forma de pagamento escolhida pelo cliente, assim como o valor e a data de
vencimento de cada parcela, o que determina quanto e quando o representante
recebe sua comisso. Aps a emisso da nota fiscal, o pedido pode ainda ser
cancelado caso haja insatisfao do cliente com a qualidade do produto ou sua
entrega.
importante manter registros separados entre pedidos e vendas, pois
necessria a comparao entre ambos, a fim de obter mtricas de vendas entre os
clientes.
37
1.3
MODELO DATA W AREHOUSE
Utilizando como base as necessidades citadas acima, foi desenhado um

modelo de dados (figura 5.1) que as atende, o qual possui trs tabelas fato e oito
tabelas dimensionais.
Figura 5.1: Modelo de dados proposto
No modelo de dados proposto foi utilizada a modelagem em Floco de Neve,

pois segundo Nardi (2007), ao ter-se tabelas dimensionais normalizadas, alm de o
volume de dados ser menor, o desempenho do modelo maximizado.
Com o propsito de construir relatrios para simplesmente listar dados
cadastrais de clientes, regies, representantes, fbricas e produtos representados,
as colunas responsveis por proverem tais informaes foram levadas ao DW, o que
normalmente mantido fora do mesmo por no possuir agregao no modelo
38
OLAP. Tais colunas so mapeadas ao longo do projeto e ento utilizadas em

relatrios que tero sua origem da base dimensional.
Foram modeladas trs tabelas fato. Uma delas serve apenas para manter um
histrico do preo dos produtos representados ao longo do tempo atravs da medida
de valor e a gravao de sua data de alterao. As demais tabelas fato foram
modeladas representando os pedidos e as vendas realizadas, onde, na fato de
pedido, gravada a quantidade de um mesmo produto no pedido, juntamente com o
seu valor, data e percentual de desconto aplicado. Na fato de vendas, as mesmas
medidas so gravadas, alm do nmero da duplicata da venda, uma data de
vencimento para cada duplicata e o valor da comisso para os diferentes tipos de
representantes.
O simples fato de um pedido poder ser cancelado e no se tornar uma venda,
juntamente com a necessidade de poder-se explorar tal acontecimento ou at
mesmo tomar conhecimento de quais clientes mais cancelam pedidos por diferentes
motivos, tornou-se evidente a obrigao de separar tais informaes em duas
tabelas fatos distintas, proporcionando assim novas perspectivas de anlise.
As tabelas do modelo de dados desenhado foram criadas em um servidor de
desenvolvimento
utilizando
linguagem
Microsoft
SQL
Server,
apresentado na figura 5.2.
Figura 5.2: Banco de dados DW criado em Microsoft SQL Server
conforme
39
1.3.1 Dicionrio de Dados
Abaixo, encontram-se explicados todos os critrios levados em considerao

no momento de criao do modelo DW, assim como a definio de cada coluna das
tabelas.
Tabela: DWD_TEMPO
Tipo: Dimensional.
Descrio: Tabela temporal que possui todas as informaes necessrias
referentes a dia, semana, ms, trimestre, semestre e ano.
Observaes: Possui dados de 01/01/2000 at 31/12/2020. Esta tabela se
relaciona diretamente com as tabelas fato.
Colunas:
NOME FSICO
TIPO DE DADOS
NOT NULL
PK
DESCRIO
Surrogate Key identificadora da dimensional
Tempo.
SK_TEMPO
INTEGER
DT_DATA_COMPLETA
DATETIME
Data completa.
DS_DIA_SEMANA
VARCHAR(13)
Dia da semana.
DS_DIA_SEMANA_ABREV VARCHAR(3)
Dia da semana abreviado.
DS_MES
VARCHAR(9)
Descrio do ms.
DS_MES_ABREV
VARCHAR(3)
Descrio do ms abreviada.
DS_TRIMESTRE
VARCHAR(12)
Descrio do trimestre.
DS_TRIMESTRE_ABREV
VARCHAR(7)
Descrio do trimestre abreviada.
DS_SEMESTRE
VARCHAR(11)
Descrio do semestre.
DS_SEMESTRE_ABREV
VARCHAR(6)
Descrio do semestre abreviada.
NR_DIA_ANO
INTEGER
Nmero do dia no ano.
NR_DIA_MES
INTEGER
Nmero do dia no ms.
NR_DIA_SEMANA
INTEGER
Nmero do dia na semana.
NR_MES_ANO
INTEGER
Nmero do ms no ano.
NR_TRIMESTRE_ANO
INTEGER
Nmero do trimestre no ano.
NR_SEMANA_MES
INTEGER
Nmero da semana no ms.
NR_ANO
INTEGER
Nmero do ano.
DS_MES_ANO_CONCAT
VARCHAR(7)
Concatenao de ms/ano.
Tabela 5.1: Colunas da dimensional de Tempo
40
Tabela: DWD_FABRICA
Tipo: Dimensional.
Descrio: Tabela que tem todas as informaes cadastrais das fbricas
representadas.
Observaes: Possui relacionamentos com a dimensional de Produto e com a
dimensional de Forma de Pagamento.
Colunas:
NOME FSICO
TIPO DE DADOS
NOT NULL
PK
DESCRIO
Fbrica.
SK_FABRICA
INTEGER
CD_FABRICA
INTEGER
Cdigo da fbrica.
CD_CNPJ
VARCHAR(50)
CNPJ da fbrica.
CD_INSCR_ESTADUAL
VARCHAR(50)
Inscrio Estadual da fbrica.
DS_NOME_FANTASIA
VARCHAR(100)
Nome fantasia da fbrica.
DS_RAZAO_SOCIAL
VARCHAR(100)
Razo Social da fbrica.
DS_ENDERECO
VARCHAR(100)
Endereo da fbrica.
NR_CEP
INTEGER
CEP da fbrica.
VARCHAR(14)
Telefone da fbrica.
NR_TELEFONE
Tabela 5.2: Colunas da dimensional de Fbrica
Tabela: DWD_PRODUTO
Tipo: Dimensional.
Descrio: Tabela que contm todas as informaes cadastrais dos produtos
representados ao nvel de cor e tamanho, podendo ter vrios registros para um
mesmo produto, porm com detalhes diferentes.
Observaes: Relaciona-se com a dimensional de Fbrica e com todas as
tabelas fato.
Colunas:
NOME FSICO
TIPO DE DADOS
NOT NULL
SK_PRODUTO
INTEGER
SK_FABRICA
INTEGER
PK
DESCRIO
Produto.
Surrogate Key relacional com a dimensional
Fbrica.
CD_PRODUTO
VARCHAR(20)
Cdigo do produto.
DS_PRODUTO
VARCHAR(100)
Descrio do produto.
DS_LINHA_PRODUTO VARCHAR(100)
Descrio da linha de produto.
DS_TIPO_PRODUTO
VARCHAR(100)
Descrio do tipo de produto.
DS_TAMANHO
VARCHAR(50)
Tamanho do produto.
Tabela 5.3: Colunas da dimensional de Produto
41
Tabela: DWF_HISTORICO_PRODUTO
Tipo: Fato.
Descrio: Tabela fato eventual, ou seja, tem todos os eventos de variao de
preos dos produtos. Toda vez que o usurio receber uma nova lista de preos
de produtos, esta deve ser atualizada mantendo os valores antigos e gravando
novos valores para os mesmos produtos, tornando possvel assim a anlise do
histrico e variaes de preos entre os produtos.
Observaes: Relaciona-se com as dimensionais de Produto e Tempo.
Colunas:
NOT NULL
PK
DESCRIO
SK_PRODUTO
NOME FSICO
INTEGER
TIPO DE DADOS
Surrogate Key relacional com a dimensional Produto.
SK_TEMPO
INTEGER
Surrogate Key relacional com a dimensional Tempo.
DT_CADASTRO
VL_PRODUTO
DATETIME
DECIMAL(10;2)
Data do cadastro do valor do produto.

Valor do produto.
Tabela 5.4: Colunas da fato de Histrico de Produto
Tabela: DWD_FORMA_PAGAMENTO
Tipo: Dimensional.
Descrio: Tabela que contm as informaes referentes s diferentes formas
de pagamento as quais so aplicadas pelas fbricas representadas aos
pedidos realizados de seus produtos.
Observaes: Relaciona-se com a dimensional de Fbrica e com as tabelas
fato de Pedido e Venda.
Colunas:
NOME FSICO
TIPO DE DADOS
NOT NULL
PK
SK_FORMA_PAGAMENTO INTEGER
SK_FABRICA

Fbrica.
Cdigo da forma de pagamento.

Descrio da forma de pagamento.
Nmero de parcelas da forma de pagamento.
INTEGER
CD_FORMA_PAGAMENTO INTEGER
DS_FORMA_PAGAMENTO VARCHAR(50)
NR_PARCELAS
INTEGER
DESCRIO
Forma Pagamento.
Tabela 5.5: Colunas da dimensional de Forma de Pagamento
42
Tabela: DWD_REGIAO
Tipo: Dimensional.
Descrio: Tabela que contm o cadastro das regies de clientes atendidas,
assim como estados, cidades e bairros.
Observaes: Relaciona-se com a dimensional de Cliente e com as tabelas
fato de Pedido e Venda. O relacionamento desta dimensional com as fatos se
deu exclusivamente por se ter a necessidade de realizar anlises eficientes e
rpidas
as
vendas
pedidos
realizados
por
diferentes
regies,
independentemente dos clientes dessas regies.

Colunas:
NOT NULL
PK
DESCRIO
SK_REGIAO
NOME FSICO
INTEGER
TIPO DE DADOS
Surrogate Key identificadora da dimensional Regio.
DS_REGIAO
VARCHAR(40)
Descrio da regio.
DS_BAIRRO
VARCHAR(40)
Nome do bairro.
DS_CIDADE
VARCHAR(40)
Nome da cidade.
DS_ESTADO
VARCHAR(20)
Nome do estado.
SG_ESTADO
CHAR(2)
Sigla do estado.
Tabela 5.6: Colunas da dimensional de Regio
Tabela: DWD_REPRESENTANTE
Tipo: Dimensional.
Descrio: Tabela que contm as informaes cadastrais dos representantes
da empresa, assim como seu tipo e seu percentual de comisso.
Observaes: Relaciona-se com as tabelas fato de Pedido e Venda.
Colunas:
NOME FSICO
TIPO DE DADOS
NOT NULL
SK_REPRESENTANTE
INTEGER
CD_REPRESENTANTE
CD_CPF
DS_NOME
DS_ENDERECO
NR_TELEFONE
PC_COMISSAO
DS_TIPO_REPRESENTANTE
INTEGER
VARCHAR(100)
VARCHAR(100)
VARCHAR(100)
VARCHAR(100)
INTEGER
VARCHAR(100)
PK
DESCRIO
Representante.
Cdigo do representante.
CPF do representante.
Nome do representante.
Endereo do representante.
Telefone do representante.
Percentual de comisso do representante.
Tipo de representante.
Tabela 5.7: Colunas da dimensional de Representante
43
Tabela: DWD_CLIENTE
Tipo: Dimensional.
Descrio: Tabela que contm as informaes cadastrais de todos os clientes
atendidos, assim como seu tipo, segmento no qual atua e a data de seu ltimo
pedido, assumindo que o DW s possui registros de clientes que alguma vez j
foram atendidos pela empresa.
Observaes: Relaciona-se com a dimensional de Regio e com as tabelas
fato de Pedido e Venda.
Colunas:
NOME FSICO
TIPO DE DADOS NOT NULL PK
DESCRIO
Surrogate Key identificadora da
dimensional Cliente.
SK_CLIENTE
INTEGER
SK_REGIAO
INTEGER
Surrogate Key relacional com a

dimensional Regio.
CD_CLIENTE
VARCHAR(50)
Cdigo do cliente.
CD_CNPJ
VARCHAR(50)
CNPJ do cliente.
CD_INSCR_ESTADUAL
VARCHAR(50)
DS_NOME_FANTASIA
VARCHAR(100)
Nome fantasia do cliente.
Inscrio Estadual do cliente.
DS_RAZAO_SOCIAL
VARCHAR(100)
Razo Social do cliente.
Descrio do segmento do cliente.
DS_CLIENTE_CONCENTRADOR VARCHAR(100)
DS_SEGMENTO
VARCHAR(100)
DS_CONTATO
DS_EMAIL
DS_ENDERECO
NR_CEP
NR_TELEFONE
VARCHAR(100)
VARCHAR(100)
VARCHAR(100)
VARCHAR(50)
VARCHAR(14)
DT_ULTIMO_PEDIDO
DATETIME
Descrio do cliente concentrador.

Nome do contato do cliente.
E-mail do cliente.
Endereo do cliente.
CEP do cliente.
Telefone do cliente.
Data da realizao do ltimo pedido do
cliente.
Tabela 5.8: Colunas da dimensional de Cliente
Tabela: DWD_CADASTRO_PEDIDO
Tipo: Dimensional.
Descrio: Tabela criada unicamente a fim de manter a fato de pedido com
sem informaes cadastrais, pois possui os cdigos dos pedidos realizados,
endereos de cobrana e entrega, indicao de cancelamento e demais
observaes. utilizada apenas para criao de relatrios de listas.
Observaes: Relaciona-se com as tabelas fato de Pedido e Venda.
44
Colunas:
NOME FSICO
TIPO DE DADOS
NOT NULL
PK
SK_CADASTRO_PEDIDO
INTEGER
CD_PEDIDO
DS_ENDERECO_COBRANCA
DS_ENDERECO_ENTREGA
DS_OBSERVACAO
FL_CANCELAMENTO
VARCHAR(100)
VARCHAR(100)
VARCHAR(100)
VARCHAR(500)
CHAR(3)
DESCRIO
Cadastro Pedido.
Cdigo do pedido.
Endereo de cobrana do pedido.
Endereo de entrega do pedido.
Observaes do pedido.
Flag que indica se um pedido foi cancelado.
Tabela 5.9: Colunas da dimensional de Cadastro de Pedido
Tabela: DWF_PEDIDO
Tipo: Fato.
Descrio: Tabela fato que contm todas as informaes relacionadas aos
pedidos. Sua granularidade ao nvel de produto, ou seja, um nico pedido
pode ter vrios registros na tabela fato, porm, s pode ter um registro por
produto diferente no mesmo pedido. Assim, o percentual de desconto, a
quantidade e o valor gravados so referentes quele nico produto.
Observaes: Relaciona-se com as dimensionais de Produto, Representante,
Forma de Pagamento, Cadastro de Pedido, Cliente, Regio e Tempo.
Colunas:
NOME FSICO
TIPO DE DADOS
NOT NULL
PK
DESCRIO
Produto.
Representante.
SK_PRODUTO
INTEGER
SK_REPRESENTANTE
INTEGER
SK_FORMA_PAGAMENTO INTEGER

Forma Pagamento.
SK_CADASTRO_PEDIDO
INTEGER

Cadastro Pedido.
SK_CLIENTE
INTEGER

Cliente.
SK_TEMPO
INTEGER

Tempo.
SK_REGIAO
INTEGER

Regio.
DT_PEDIDO
DATETIME
Data do Pedido.
PC_DESCONTO
DECIMAL(10;2)
Percentual de desconto aplicado no pedido por

produto.
QT_PRODUTOS
VL_PEDIDO
INTEGER
DECIMAL(10;2)
Quantidade de unidades do produto no pedido.

Valor da quantidade de produtos no pedido.
Tabela 5.10: Colunas da fato de Pedido
45
Tabela: DWF_VENDA
Tipo: Fato.
Descrio: Tabela fato que contm todas as informaes relacionadas s
vendas. Sua granularidade ao nvel de produto, ou seja, uma nica venda
pode ter inmeros registros na tabela fato para suas duplicatas, porm, s
pode ter um registro por produto diferente para a mesma duplicata, onde o
nmero de duplicatas (parcelas) levado em considerao pois necessrio
saber quando uma duplicata vence e o valor referente ao produto naquela
parcela. O percentual de desconto, a quantidade e o valor gravados so
referentes aos produtos, enquanto a data de vencimento e os valores de
comisso para representantes titulares e prepostos so referentes s
duplicatas da venda.
Observaes: Relaciona-se com as dimensionais de Produto, Representante,
Forma de Pagamento, Cadastro de Pedido, Cliente, Regio e Tempo.
Colunas:
NOME FSICO
TIPO DE DADOS
NOT NULL
PK
DESCRIO
SK_PRODUTO
INTEGER

Produto.
SK_REPRESENTANTE
INTEGER

Representante.
SK_FORMA_PAGAMENTO
INTEGER

Forma Pagamento.
SK_CLIENTE
INTEGER

Cliente.
SK_TEMPO
INTEGER

Tempo.
SK_CADASTRO_PEDIDO
INTEGER

Cadastro Pedido.
SK_REGIAO
INTEGER

Regio.
NR_DUPLICATA
DT_VENDA
DT_VENCIMENTO
INTEGER
DATETIME
DATETIME
Nmero da duplicata da venda.

Data da venda.
Data de vencimento da duplicata.
PC_DESCONTO
DECIMAL(10;2)
QT_PRODUTOS
INTEGER
VL_VENDA
DECIMAL(10;2)
VL_COMISSAO_TITULAR
DECIMAL(10;2)
Valor da comisso da venda para o

representante titular.
VL_COMISSAO_PREPOSTO DECIMAL(10;2)
Valor da comisso da venda para o

representante preposto.
Percentual de desconto aplicado na venda de

um produto.
Quantidade de unidades do produto na
venda.
Valor da quantidade de produtos na venda.
Tabela 5.11: Colunas da fato de Venda
46
1.4
PROCESSOS DE ETL
Segundo Kimball e outros (1998, p. 1.2), aps ter-se o modelo Data Warehouse
desenhado com suas tabelas criadas fisicamente, necessria uma srie de
processos de ETL para carreg-las, onde os dados podero vir de diversas origens.
Neste projeto, utilizou-se como origem tabelas Microsoft Excel, as quais
tiveram seus dados extrados, transformados e ento carregados no DW.
1.4.1 Arquivos de Origem
Os arquivos de origem que so utilizados pelo cliente para manter seus dados
esto demonstrados nas tabelas abaixo.
Pedidos.xls
PLANILHA
COLUNA
COD PEDIDO
CLIENTE
COD PRODUTO
QTDE
% DESCONTO
Pedidos
FORMA PGTO
VALOR
END. COBRANA
END. ENTREGA
OBSERVAO
REPRESENTANTE
DATA
N DUPLICATA
Vendas
COD PEDIDO
DATA VENCIMENTO
Cancelamentos
% COMISSO
COD PEDIDO
Tabela 5.12: Tabela de origem para Cadastro de Pedido, Pedido e Venda
47
Clientes.xls
PLANILHA
COLUNA
CDIGO
CNPJ
INSCR ESTADUAL
NOME FANTASIA
RAZO SOCIAL
CONCENTRADOR
SEGMENTO
CONTATO
Clientes
EMAIL
TELEFONE
CEP
ENDEREO
BAIRRO
CIDADE
REGIO
UF
SIGLA UF
Tabela 5.13: Tabela de origem para Cliente e Regio
Produtos.xls
PLANILHA
COLUNA
CDIGO
FBRICA
LINHA
TIPO
Produtos
PRODUTO
TAMANHO
VALOR
DATA
Tabela 5.14: Tabela de origem para Produto e Histrico do Produto
Representantes.xls
PLANILHA
COLUNA
CDIGO
NOME
CPF
Representantes
TELEFONE
ENDEREO
COMISSO
TIPO
Tabela 5.15: Tabela de origem para Representante
48
Fbricas.xls
PLANILHA
COLUNA
CDIGO
CNPJ
INSCR ESTADUAL
NOME FANTASIA
Fbrica
RAZO SOCIAL
ENDEREO
CEP
TELEFONE
CDIGO
Formas de Pagamento
FBRICA
FORMA PAGAMENTO
N PARCELAS
Tabela 5.16: Tabela de origem para Fbrica e Forma de Pagamento
A fim de prever a atualizao do sistema por um longo tempo, utilizada uma

tabela de tempo (tabela 5.17) com dados compreendidos entre 01/01/2000 at
31/12/2020. Esta tabela possui todos os dados necessrios e no necessita ser
atualizada, apenas carregada no DW.
Tempo.xls
PLANILHA
COLUNA
DT_DATA_COMPLETA
DS_DIA_SEMANA
DS_DIA_SEMANA_ABREV
DS_MES
DS_MES_ABREV
DS_TRIMESTRE
DS_TRIMESTRE_ABREV
DS_SEMESTRE
Tempo
DS_SEMESTRE_ABREV
NR_DIA_ANO
NR_DIA_MES
NR_DIA_SEMANA
NR_MES_ANO
NR_TRIMESTRE_ANO
NR_SEMANA_MES
NR_ANO
DS_MES_ANO_CONCAT
Tabela 5.17: Tabela de origem para Tempo
49
1.4.2 Mapeamento Origem/Destino
Utilizando a ferramenta Microsoft Visual Studio, foram criadas duas cadeias de

processos para o carregamento dos dados das planilhas nas tabelas criadas no DW,
uma para o carregamento das tabelas dimensionais (figura 5.3) e outro para o
carregamento das tabelas fato e atualizao da tabela dimensional Cliente com a
data do ltimo pedido dos clientes (figura 5.4). Ambas as cadeias de processo so
responsveis por extrair os dados dos arquivos de origem, transform-los e, aps,
carreg-los nas respectivas tabelas do modelo DW.
Figura 5.3: Cadeia de processos para carregamento das tabelas dimensionais
Figura 5.4: Cadeia de processos para carregamento das tabelas fatos
Abaixo, segue a lista das tabelas do DW com suas origens e devidas regras de
transformao definidas, bem como mapas de ETL desenvolvidos nas cadeias de
processos citadas acima.
50
DWD_TEMPO:
PARA (DW):
Tabela
DWD_TEMPO
Coluna
SK_TEMPO
DT_DATA_COMPLETA
DS_DIA_SEMANA
DS_DIA_SEMANA_ABREV
DS_MES
DS_MES_ABREV
DS_TRIMESTRE
DS_TRIMESTRE_ABREV
DS_SEMESTRE
DS_SEMESTRE_ABREV
NR_DIA_ANO
NR_DIA_MES
NR_DIA_SEMANA
NR_MES_ANO
DE (Origem):
Tabela / Arquivo
Coluna
Tempo.xls > Tempo

Tempo.xls > Tempo
Tempo.xls > Tempo
Tempo.xls > Tempo
Tempo.xls > Tempo
Tempo.xls > Tempo
Tempo.xls > Tempo
Tempo.xls > Tempo
Tempo.xls > Tempo
Tempo.xls > Tempo
Tempo.xls > Tempo
Tempo.xls > Tempo
Tempo.xls > Tempo
DT_DATA_COMPLETA
DS_DIA_SEMANA
DS_DIA_SEMANA_ABREV
DS_MES
DS_MES_ABREV
DS_TRIMESTRE
DS_TRIMESTRE_ABREV
DS_SEMESTRE
DS_SEMESTRE_ABREV
NR_DIA_ANO
NR_DIA_MES
NR_DIA_SEMANA
NR_MES_ANO
NR_TRIMESTRE_ANO
Tempo.xls > Tempo NR_TRIMESTRE_ANO
NR_SEMANA_MES
NR_ANO
DS_MES_ANO_CONCAT
Tempo.xls > Tempo NR_SEMANA_MES

Tempo.xls > Tempo NR_ANO
Tempo.xls > Tempo DS_MES_ANO_CONCAT
Regras de
Transformao
Gerar Surrogate Key.
Tabela 5.18: Mapeamento para carregamento da dimensional Tempo
Para o carregamento da tabela dimensional Tempo foi criado um mapa de ETL

que faz a leitura dos dados da planilha Tempo.xls, realiza as converses
necessrias e ento os carrega no DW criando uma surrogate key para os registros
gravados, conforme figura 5.5.
Figura 5.5: Mapa de ETL da tabela DWD_TEMPO
51
DWD_FABRICA:
PARA (DW):
Tabela
DWD_FABRICA
DE (Origem):
Tabela / Arquivo
Coluna
SK_FABRICA
CD_FABRICA
CD_CNPJ
Coluna
Fbricas.xls > Fbricas

CDIGO
CNPJ
CD_INSCR_ESTADUAL
INSCR ESTADUAL
DS_NOME_FANTASIA
NOME FANTASIA
DS_RAZAO_SOCIAL
RAZO SOCIAL
DS_ENDERECO
NR_CEP
NR_TELEFONE

ENDEREO
CEP
TELEFONE
Regras de Transformao
Tabela 5.19: Mapeamento para carregamento da dimensional Fbrica
Para o carregamento da tabela dimensional Fbrica foi criado um mapa de ETL

que faz a leitura dos dados da planilha Fbricas.xls, realiza as converses
necessrias e ento os carrega no DW criando uma surrogate key para os registros
gravados, conforme figura 5.6.
Figura 5.6: Mapa de ETL da tabela DWD_FABRICA
52
DWD_REGIAO:
PARA (DW):
Tabela
DWD_REGIAO
Coluna
SK_REGIAO
DS_REGIAO
DS_BAIRRO
DS_CIDADE
DS_ESTADO
SG_ESTADO
DE (Origem):
Tabela / Arquivo
Coluna
Clientes.xls > Clientes

REGIO
BAIRRO
CIDADE
UF
SIGLA UF
DISTINCT(Clientes.xls > Clientes.BAIRRO)
Tabela 5.20: Mapeamento para carregamento da dimensional Regio
Para o carregamento da tabela dimensional Regio foi criado um mapa de ETL

que faz a leitura dos dados de algumas colunas da planilha Clientes.xls, agrupando
as informaes pela coluna BAIRRO e realizando as converses necessrias. Por
fim, carrega no DW criando uma surrogate key para os registros gravados, conforme
figura 5.7.
Figura 5.7: Mapa de ETL da tabela DWD_REGIAO
53
DWD_CLIENTE:
PARA (DW):
Tabela
Coluna
SK_CLIENTE
DE (Origem):
Tabela / Arquivo
Coluna
SK_REGIAO
DWD_REGIAO
SK_REGIAO
CD_CLIENTE
CD_CNPJ

CDIGO
CNPJ
CD_INSCR_ESTADUAL
INSCR
ESTADUAL
DS_NOME_FANTASIA
NOME FANTASIA
DS_RAZAO_SOCIAL
RAZO SOCIAL
DS_CLIENTE_CONCEN
TRADOR
CONCENTRADOR

SEGMENTO
CONTATO
EMAIL
ENDEREO
CEP
TELEFONE

Clientes.xls > Clientes.REGIAO
= DWD_REGIAO.DS_REGIAO,
DS_CIDADE, DS_BAIRRO,
DS_ESTADO
DWD_CLIENTE
DS_SEGMENTO
DS_CONTATO
DS_EMAIL
DS_ENDERECO
NR_CEP
NR_TELEFONE
DT_ULTIMO_PEDIDO
Se INSERT, NULL.
Tabela 5.21: Mapeamento para carregamento da dimensional Cliente
Para o carregamento da tabela dimensional Cliente foi criado um mapa de ETL

que faz a leitura dos dados da planilha Clientes.xls, fazendo lookup com a
dimensional Regio para buscar a surrogate key correspondente a seus dados e
realizando as converses necessrias. Por fim, carrega no DW criando uma
surrogate key para os registros gravados, conforme figura 5.8.
Figura 5.8: Mapa de ETL da tabela DWD_CLIENTE
54
DWD_CADASTRO_PEDIDO:
PARA (DW):
Tabela
Coluna
DE (Origem):
Tabela /
Arquivo
SK_CADASTRO_PEDIDO
Pedidos.xls >
Pedidos
Pedidos.xls >
DS_ENDERECO_COBRANCA
Pedidos
CD_PEDIDO
DWD_CADASTRO_PEDIDO
DS_ENDERECO_ENTREGA
DS_OBSERVACAO
FL_CANCELAMENTO
Regras de
Transformao
Coluna
Pedidos.xls >
Pedidos
Pedidos.xls >
Pedidos
Pedidos.xls >
Cancelamentos
COD PEDIDO
DISTINCT(Pedidos.xls >
Pedidos.COD PEDIDO)
END.
COBRANA
END.
ENTREGA
OBSERVAO
COD PEDIDO
Verifica se existe
CD_PEDIDO na coluna.
Se sim, grava 'Sim'. Caso
contrrio grava 'No'.
Tabela 5.22: Mapeamento para carregamento da dimensional Cadastro Pedido
Para o carregamento da tabela dimensional Cadastro Pedido foi criado um

mapa de ETL que faz a leitura dos dados da planilha Pedidos.xls, agrupando os
dados pela coluna COD PEDIDO e gravando uma coluna FL_CANCELAMENTO que
informa se o pedido foi cancelado ou se continua vlido. Por fim, carrega no DW
criando uma surrogate key para os registros gravados, conforme figura 5.9.
Figura 5.9: Mapa de ETL da tabela DWD_CADASTRO_PEDIDO
55
DWD_FORMA_PAGAMENTO:
PARA (DW):
Tabela
Coluna
SK_FORMA_PAGAMENTO
SK_FABRICA
DWD_FORMA_PAGAMENTO
CD_FORMA_PAGAMENTO
DS_FORMA_PAGAMENTO
NR_PARCELAS
DE (Origem):
Tabela / Arquivo
DWD_FABRICA
Fbricas.xls >
Formas de
Pagamento
Fbricas.xls >
Formas de
Pagamento
Fbricas.xls >
Formas de
Pagamento
Regras de
Transformao
Coluna
SK_FABRICA

Fbricas.xls > Formas
de
Pagamento.FBRICA
= DWD_FABRICA.
DS_NOME_FANTASIA
CDIGO
FORMA
PAGAMENTO
N
PARCELAS
Tabela 5.23: Mapeamento para carregamento da dimensional Forma Pagamento
Para o carregamento da tabela dimensional Forma Pagamento foi criado um

mapa de ETL que faz a leitura dos dados de somente algumas colunas da planilha
Fbricas.xls, fazendo lookup com a dimensional Fbrica para buscar a surrogate key
correspondente a seus dados e realizando as converses necessrias. Por fim,
carrega no DW criando uma surrogate key para os registros gravados, conforme
figura 5.10.
Figura 5.10: Mapa de ETL da tabela DWD_FORMA_PAGAMENTO
56
DWD_REPRESENTANTE:
PARA (DW):
Tabela
Coluna
SK_REPRESENTANTE
DE (Origem):
Tabela / Arquivo
Representantes.xls >
CD_REPRESENTANTE
Representantes
CD_CPF
Representantes
DS_NOME
Representantes
DWD_REPRESENTANTE
DS_ENDERECO
Representantes
NR_TELEFONE
Representantes
PC_COMISSAO
Representantes
DS_TIPO_REPRESENTANTE
Representantes
Regras de
Transformao
Coluna

CDIGO
CPF
NOME
ENDEREO
NOME
COMISSO
TIPO
Tabela 5.24: Mapeamento para carregamento da dimensional Representante
Para o carregamento da tabela dimensional Representante foi criado um mapa

de ETL que faz a leitura dos dados da planilha Representantes.xls, realiza as
converses necessrias e ento os carrega no DW criando uma surrogate key para
os registros gravados, conforme figura 5.11.
Figura 5.11: Mapa de ETL da tabela DWD_REPRESENTANTE
57
DWD_PRODUTO:
PARA (DW):
Tabela
Coluna
SK_PRODUTO
SK_FABRICA
DE (Origem):
Tabela / Arquivo
DWD_FABRICA
Produtos.xls >
Produtos
Produtos.xls >
DWD_PRODUTO DS_PRODUTO
Produtos
Produtos.xls >
DS_LINHA_PRODUTO
Produtos
Produtos.xls >
DS_TIPO_PRODUTO
Produtos
Produtos.xls >
DS_TAMANHO
Produtos
CD_PRODUTO
Coluna
SK_FABRICA
CDIGO
Produtos.xls > Produtos.FBRICA =
DWD_FABRICA.DS_NOME_FANTASIA
DISTINCT(Produtos.xls >
Produtos.CDIGO)
PRODUTO
LINHA
TIPO
TAMANHO
Tabela 5.25: Mapeamento para carregamento da dimensional Produto
Para o carregamento da tabela dimensional Produto foi criado um mapa de

ETL que faz a leitura dos dados da planilha Produtos.xls, fazendo lookup com a
dimensional Fbrica para buscar a surrogate key correspondente a seus dados,
agrupando os dados pela coluna CODIGO e realizando as converses necessrias.
Por fim, carrega no DW criando uma surrogate key para os registros gravados,
conforme figura 5.12.
Figura 5.12: Mapa de ETL da tabela DWD_PRODUTO
58
DWF_HISTORICO_PRODUTO:
PARA (DW):
Tabela
Coluna
DE (Origem):
Tabela / Arquivo
Coluna
SK_PRODUTO
DWD_PRODUTO SK_PRODUTO
SK_TEMPO
DWD_TEMPO
SK_TEMPO
DWF_HISTORICO_PRODUTO
DT_CADASTRO
VL_PRODUTO
Produtos.xls >
Produtos
Produtos.xls >
Produtos
Produtos.xls > Produtos.CDIGO =
DWD_PRODUTO.CD_PRODUTO
Produtos.xls > Produtos.DATA =
DWD_TEMPO.
DT_DATA_COMPLETA
DATA
VALOR
Tabela 5.26: Mapeamento para carregamento da fato Histrico Produto
Para o carregamento da tabela fato Histrico Produto foi criado um mapa de

ETL que faz a leitura dos dados da planilha Produtos.xls, primeiramente fazendo
lookup com a dimensional Produto para buscar a surrogate key correspondente a
seus dados e, aps, fazendo lookup com a dimensional Tempo com a mesma
finalidade. Por fim, carrega no DW um histrico de valor dos produtos diferenciados
por data, conforme figura 5.13.
Figura 5.13: Mapa de ETL da tabela DWF_HISTORICO_PRODUTO
59
DWF_PEDIDO:
PARA (DW):
Tabela
Coluna
DE (Origem):
Tabela / Arquivo
Coluna
Pedidos.xls > Pedidos.COD

PRODUTO = DWD_PRODUTO.
CD_PRODUTO
Pedidos.xls > Pedidos.
REPRESENTANTE =
SK_REPRESENTANTE DWD_REPRESENTANTE SK_REPRESENTANTE
DWD_REPRESENTANTE
.DS_NOME
Pedidos.xls > Pedidos.FORMA
SK_FORMA_
DWD_FORMA_
SK_FORMA_
PGTO =
PAGAMENTO
PAGAMENTO
PAGAMENTO
DWD_FORMA_PAGAMENTO.
DS_FORMA_PAGAMENTO
Pedidos.xls > Pedidos.COD PEDIDO
SK_CADASTRO_
DWD_CADASTRO_
SK_CADASTRO_
= DWD_CADASTRO_PEDIDO.
PEDIDO
PEDIDO
PEDIDO
CD_PEDIDO
DWF_PEDIDO
Pedidos.xls > Pedidos.CLIENTE =
SK_CLIENTE
DWD_CLIENTE
SK_CLIENTE
DWD_CLIENTE
.CD_CLIENTE
Pedidos.xls > Pedidos.DATA =
SK_TEMPO
DWD_TEMPO
SK_TEMPO
DWD_TEMPO.
DT_DATA_COMPLETA
Pedidos.xls > Pedidos.CLIENTE =
SK_REGIAO
DWD_CLIENTE
SK_REGIAO
DWD_CLIENTE
.CD_CLIENTE
DT_PEDIDO
Pedidos.xls > Pedidos
DATA
PC_DESCONTO
% DESCONTO
QT_PRODUTOS
QTDE
VL_PEDIDO
VALOR
SK_PRODUTO
DWD_PRODUTO
SK_PRODUTO
Tabela 5.27: Mapeamento para carregamento da fato Pedido
Para o carregamento da tabela fato Pedido foi criado um mapa de ETL que faz
a leitura dos dados da planilha Pedidos.xls realizando uma srie de lookups para
buscar as surrogate keys correspondentes a cada registro da planilha, a fim de
carreg-los de forma ntegra na tabela do DW, juntamente com informaes de data,
quantidade de produtos, valor por produto e percentual de desconto aplicado a cada
produto pertencente a cada pedido, conforme figura 5.14.
Figura 5.14: Mapa de ETL da tabela DWF_PEDIDO
60
UPDATE DWD_CLIENTE:
PARA (DW):
Tabela
DWD_CLIENTE
Coluna
DT_ULTIMO_PEDIDO
DE (Origem):
Tabela /
Arquivo
Coluna
Se UPDATE,
MAX(DWF_PEDIDO.DT_PEDID
O)
Onde
DWD_CLIENTE.SK_CLIENTE =
DWF_PEDIDO.SK_CLIENTE
Tabela 5.28: Mapeamento para atualizao da dimensional Cliente
Na tabela dimensional Cliente existe uma coluna que indica a data do ltimo
pedido realizado por um cliente. Para que esta possa conter a informao correta,
necessria a realizao de uma alterao na tabela aps o carregamento da fato
Pedido, uma vez que todas as informaes encontram-se no DW e a utilizao dos
documentos de origem torna-se dispensvel para a obteno desta informao.
Ento foi construdo um mapa de ETL que agrega os dados da tabela fato Pedido,
filtrando apenas a maior data de cada cliente e realizando uma juno com a
dimensional Cliente para que ento torne-se possvel a atualizao da coluna
DT_ULTIMO_PEDIDO com a data mais atual de pedido para cada cliente, conforme
figura 5.15.
Figura 5.15: Mapa de ETL para update na tabela DWD_CLIENTE
61
DWF_VENDA:
PARA (DW):
Tabela
SK_PRODUTO
DE (Origem):
Tabela /
Coluna
Arquivo
DWF_PEDIDO SK_PRODUTO
SK_REPRESENTANTE
DWF_PEDIDO SK_REPRESENTANTE
SK_FORMA_PAGAMENTO
DWF_PEDIDO SK_FORMA_PAGAMENTO
SK_CLIENTE
SK_TEMPO
DWF_PEDIDO SK_CLIENTE
DWF_PEDIDO SK_TEMPO
SK_CADASTRO_PEDIDO
DWF_PEDIDO SK_CADASTRO_PEDIDO
SK_REGIAO
DWF_PEDIDO
Pedidos.xls >
Vendas
DWF_PEDIDO
Pedidos.xls >
Vendas
DWF_PEDIDO
DWF_PEDIDO
Coluna
NR_DUPLICATA
DT_VENDA
DT_VENCIMENTO
PC_DESCONTO
QT_PRODUTOS
DWF_VENDA VL_VENDA
VL_COMISSAO_TITULAR
VL_COMISSAO_PREPOSTO
SK_REGIAO
N DUPLICATA
DATA
DATA VENCIMENTO
PC_DESCONTO
QT_PRODUTOS
DWF_PEDIDO.VL_PEDIDO
Se DWD_REPRESENTANTE
= 'Titular', ento
((DWF_PEDIDO.VL_PEDIDO /
NR_PARCELAS) *
DWD_REPRESENTANTE.
PC_COMISSAO) / 100
Seno,
NR_PARCELAS) * (7 DWD_REPRESENTANTE.
PC_COMISSAO)) / 100
Se DWD_REPRESENTANTE
= 'Preposto', ento
NR_PARCELAS) *
DWD_REPRESENTANTE.
PC_COMISSAO) / 100
Seno, 0
Tabela 5.29: Mapeamento para carregamento da fato Venda
Para o carregamento da tabela fato Venda foi criado um mapa de ETL que faz
a leitura dos dados da planilha Pedidos.xls, primeiramente realizando lookup com a
tabela Cadastro Pedido para buscar a informao de cdigo dos pedidos e, ento,
realizando outra lookup com a fato Pedido para buscar as surrogate keys
correspondentes a cada registro da planilha atravs de uma juno que tem por fim
carregar os dados de forma ntegra na tabela do DW. Aps, realiza uma lookup com
a tabela Forma Pagamento para obter as informaes referentes ao nmero de
parcelas de cada venda. Ento, atravs de uma nova lookup, obtem da tabela
Representante o tipo e o percentual de comisso do representante envolvido na
realizao de cada venda para que assim possa criar colunas calculadas referentes
62
ao valor da comisso dos representantes, conforme figura 5.16. A tabela fato

tambm composta pela data da venda, a data de vencimento de cada duplicata
bem como seu nmero, quantidade de produtos vendidos, valor da venda e
percentual de desconto aplicado a ela.
Figura 5.16: Mapa de ETL da tabela DWF_VENDA
Ao carregar os dados no DW, o ETL trata os campos para que no haja

duplicidade, registros nulos ou invlidos, gerando surrogate keys sempre que um
registro novo includo em uma tabela ou atualizando registros j existentes.
A atualizao das tabelas deve ocorrer sempre que o processo de ETL for
executado.
63
1.5
DEFINIO DO PORTAL IBM COGNOS
Ao longo do desenvolvimento do projeto, tornou-se necessrio definir uma

estrutura para o portal de acesso IBM Cognos Connection que contm a publicao
de todos os objetos desenvolvidos para que o usurio tenha acesso.
Esta estrutura foi definida conforme a figura 5.17, onde dentro da pasta do
projeto INART existem outras trs pastas com as seguintes finalidades:
Cubos: composta pela publicao do cubo INART - Anlise de Pedidos;
Pacotes: contm os pacotes de publicao do projeto com as queries

necessrias para a realizao de consultas diretamente na base DW e
construo do cubo;
Relatrios: composta por todos os relatrios construdos que visam responder

as questes de negcio estabelecidas para o projeto.
Figura 5.17: Disposio dos objetos no portal IBM Cognos Connection
1.6
CRIAO DE FRAMEWORK
Conforme citado anteriormente, o projeto INART foi desenvolvido na plataforma

IBM Cognos, a qual possui suas peculiaridades e uma srie de ferramentas
64
adicionais aos processos padres de Business Intelligence que tm por fim tornar a
utilizao do usurio mais fcil.
A ferramenta IBM Cognos Framework Manager utilizada para criar um
framework que mapeia as tabelas fsicas do Data Warehouse carregado pelo ETL
atravs de uma conexo de dados com o servidor do banco de dados. Este
mapeamento recebeu o nome de Database Layer e composto pelas tabelas fsicas
e suas descries, organizadas em pastas, conforme figuras 5.18 e 5.19.
Figura 5.18: Mapeamento fsico das tabelas no Framework Manager
Figura 5.19: Descries das tabelas mapeadas no Framework Manager
Concludo o mapeamento fsico, a ferramenta permite a criao de outras

camadas de visualizao. Foi criada ento uma camada voltada para a viso de
negcio onde todas as colunas das tabelas receberam nomes lgicos e intuitivos
65
para proporcionar uma anlise compreensiva do usurio aos dados. Esta camada foi
nomeada Business Layer conforme representao da figura 5.20.
Figura 5.20: Mapeamento lgico das tabelas no Framework Manager
Aps os mapeamentos descritos acima, necessria a existncia de uma

terceira camada responsvel por armazenar queries especialmente criadas para a
construo do cubo INART Anlise de Pedidos, a qual foi nomeada Transformer
Layer e est representada na figura 5.21.
Figura 5.21: Mapeamento de queries para criao do cubo OLAP
66
As queries desta camada foram criadas com a seguinte finalidade:
Di Fbrica: composta por colunas da tabela DWD_FABRICA responsveis por

criar a dimenso Fbrica no cubo;
Di
Produto:
composta
por
colunas
das
tabelas
DWD_FABRICA
DWD_PRODUTO responsveis por criar a dimenso Produto no cubo;
Di Regio: composta por colunas da tabela DWD_REGIAO responsveis por

criar a dimenso Regio no cubo;
Di
Cliente:
composta
por
colunas
das
tabelas
DWD_CLIENTE
DWD_REGIAO responsveis por criar a dimenso Cliente no cubo;
Di Representante: composta por colunas da tabela DWD_ REPRESENTANTE

responsveis por criar a dimenso Representante no cubo;
Di Tempo: composta por colunas da tabela DWD_TEMPO responsveis por

criar a dimenso Tempo no cubo;
Fa Histrico Produto: abstrao lgica da tabela DWF_HISTORICO_

PRODUTO que possui a finalidade de criar o indicador Preo Mdio de
Produtos no cubo;
Fa Pedido: abstrao lgica da tabela DWF_PEDIDO que possui a finalidade

de criar os indicadores Quantidade de Produtos Pedidos e Valor de Pedidos no
cubo;
Fa Pedido Quantidade: abstrao lgica da tabela DWF_PEDIDO que possui

seus dados agrupados pelo cdigo de pedido com a finalidade de criar o
indicador Quantidade de Pedidos no cubo;
Fa Venda: abstrao lgica da tabela DWF_VENDA que possui um filtro para

no considerar vendas canceladas com a finalidade de criar os indicadores
Quantidade de Produtos Vendidos e Valor de Vendas no cubo;
Fa Venda Comisso Preposto: abstrao lgica da tabela DWF_VENDA que

possui um filtro para no considerar vendas canceladas e outro para conter
67
apenas vendas de representantes de tipo preposto com a finalidade de

compor o indicador Valor de Comisso no cubo;
Fa Venda Comisso Titular: abstrao lgica da tabela DWF_VENDA que

possui um filtro para no considerar vendas canceladas e outro para conter
apenas vendas de representantes de tipo titular com a finalidade de compor o
indicador Valor de Comisso no cubo;
Fa Venda Quantidade: abstrao lgica da tabela DWF_VENDA que possui

seus dados agrupados pelo cdigo de pedido e um filtro para no considerar
vendas canceladas com a finalidade de criar o indicador Quantidade de Vendas
no cubo.
Aps criadas as camadas descritas acima, foram criados dois pacotes de
publicao no portal IBM Cognos Connection com a seguinte finalidade:
INART Relatrios: contm o mapeamento das queries da camada Business

Layer do framework com o propsito de fornecer um acesso para consultas
diretamente na base dimensional do DW e at mesmo para construo de
relatrios;
INART Queries: contm o mapeamento da camada Transformer Layer do

framework com o propsito de fornecer acesso as queries criadas para a
construo do cubo na ferramenta PowerPlay Transformer.
1.7
CRIAO DO CUBO ANALTICO
No universo de ferramentas IBM Cognos, possvel criar modelos de cubos de

anlise OLAP atravs da ferramenta IBM Cognos PowerPlay Transformer. Para isso,
necessria a utilizao de um pacote publicado no portal de acesso IBM Cognos
Connection com consultas pr-estabelecidas para a construo de cada fato ou
dimenso que compem o cubo. Para tanto, utilizado o pacote INART Queries
criado pelo framework que contm estas consultas que servem como fonte de dados
68
ao PowerPlay Transformer para que seja possvel a criao do cubo INART

Anlise de Pedidos.
O cubo desenhado torna possvel responder algumas questes de negcio
identificadas como importantes durante o levantamento de requisitos com o cliente.
Suas dimenses e a composio de seus nveis esto representadas na figura 5.22.
Figura 5.22: Dimenses e nveis do cubo analtico
A ferramenta IBM Cognos PowerPlay Transformer permite ainda a criao de

caminhos alternativos em uma mesma dimenso, o que torna possvel a anlise de
um mesmo assunto por diferentes perspectivas e ao mesmo tempo, no incluindo
categorias repetidas na gerao do cubo e mantendo o processo limpo e eficaz. Os
caminhos alternativos para as dimenses criadas esto representados pela figura
5.23.
Figura 5.23: Caminhos alternativos do cubo analtico
A fim de tornar possvel a anlise comparativa entre perodos, o cubo conta

com categorias especiais temporais criadas, as quais esto representadas na figura
5.24.
69
Figura 5.24: Categorias especiais de tempo
Todas as dimenses criadas no cubo apresentam apenas dados que possuem

fatos, mantendo assim o cubo com uma aparncia limpa e apenas com dados que
interessam para a anlise. As dimenses e seus caminhos alternativos possuem as
seguintes finalidades:
Dimenso Tempo: permite a anlise dos dados ao longo do tempo disposto

como Ano > Ms > Dia. A dimenso possui uma estrutura alternativa de anlise
Por Data Detalhada que composta por Ano > Semestre > Trimestre > Ms >
Dia e permite uma anlise mais detalhada em funo do tempo. Possui
tambm categorias especiais de anlise, conforme na figura 5.24, que
permitem uma comparao entre perodos com um critrio especfico, como
analisar a diferena de valores entre o trimestre corrente e o anterior. A
dimenso est representada na figura 5.25;
70
Figura 5.25: Estrutura da dimenso Tempo
Dimenso Fbrica: permite a anlise dos dados com relao s fbricas

representadas pela empresa. A dimenso est representada na figura 5.26;
Figura 5.26: Estrutura da dimenso Fbrica
Dimenso Produto: permite a anlise dos dados com relao aos produtos
representados pela empresa. A estrutura da dimenso est disposta como
Fbrica > Tipo Produto > Produto, contendo trs caminhos alternativos de
anlise onde: no caminho Por Linha Produto possvel enxergar os produtos
organizados pela linha de produto a qual pertencem dentro de suas fbricas; no
71
caminho Por Tipo Produto possvel uma anlise dos produtos organizados
por seus tipos independentemente da fbrica a qual pertencem; e no caminho
Por Produto onde permitida a anlise dos produtos independentemente do
tipo, linha ou fbrica que pertencem. A dimenso est representada na figura
5.27;
Figura 5.27: Estrutura da dimenso Produto
Dimenso Regio: permite a anlise dos dados com relao regio a qual
um pedido ou venda pertence. Sua estrutura se d como Estado > Regio >
Cidade > Bairro. A dimenso est representada na figura 5.28;
Figura 5.28: Estrutura da dimenso Regio
Dimenso Cliente: permite a anlise dos dados com relao aos clientes que
foram atendidos pela empresa e realizaram ao menos um pedido. A estrutura
da dimenso apresenta os clientes organizados pelo segmento de vendas no
qual atuam e est disposta como Segmento > Cliente Concentrador > Cliente,
sendo o cliente considerado concentrador quando se trata de uma matriz que
contm pelo menos uma filial. Esta dimenso possui trs caminhos alternativos
de anlise onde: no caminho Por Regio possvel enxergar os clientes
72
organizados pela regio a qual pertencem; no caminho Por Status possvel

uma anlise dos clientes segundo seu status de atividade, sendo um cliente
considerado inativo se seu ltimo pedido foi realizado h mais de 12 meses; e
no caminho Por Cliente onde permitida a anlise dos clientes
independentemente do segmento, regio ou status que possuem. A dimenso
est representada na figura 5.29;
Figura 5.29: Estrutura da dimenso Cliente
Dimenso Representante: permite a anlise dos dados com relao aos

representantes que realizaram determinados pedidos ou vendas. Sua estrutura
se d como Tipo Representante > Representante, podendo um representante
ser do tipo titular ou preposto, o que interfere diretamente no percentual de
sua comisso. A dimenso est representada na figura 5.30.
Figura 5.30: Estrutura da dimenso Representante
73
1.7.1 Indicadores
Tomando como base as questes de negcio levantadas pelo cliente, foram

definidos no cubo os indicadores de anlise relacionados na tabela 5.30.
QUESTO DE ANLISE
INDICADOR
APLICABILIDADE POR DIMENSES
Visualizar a quantidade de produtos pedidos

por cliente e regio ao longo do tempo.
Quantidade de Produtos Pedidos
Tempo; Fbrica; Produto; Regio;

Cliente; Representante
Visualizar a quantidade de produtos vendidos

(no cancelados) por cliente e regio ao longo
do tempo.
Quantidade de Produtos Vendidos

Analisar a quantidade de pedidos por cliente,

regio e a fbrica a qual os produtos do pedido
pertencem ao longo do tempo.
Quantidade de Pedidos
Tempo; Fbrica; Regio; Cliente;

Representante
Analisar a quantidade de vendas concludas

por cliente, regio e a fbrica a qual os
produtos do pedido pertencem ao longo do
tempo.
Quantidade de Vendas
Tempo; Fbrica; Regio; Cliente;

Representante
Analisar o volume de pedidos em reais por

clientes, regio, produtos, fbrica e
representante ao longo do tempo.
Valor de Pedidos

Analisar o volume de vendas em reais por

clientes, regio, produtos, fbrica e
representante ao longo do tempo.
Valor de Vendas

Visualizar o valor da comisso dos

representantes levando em considerao a
data que ir receber sua comisso e
permitindo enxergar a qual cliente, regio ou
produto aquela comisso se refere.
Valor de Comisso

Enxergar o preo mdio de um produto ao

longo do tempo, uma vez que este atualizado Preo Mdio de Produtos
as vezes.
Tempo; Fbrica; Produto
Tabela 5.30: Relao de indicadores do cubo
O cubo gerado encontra-se publicado no portal de acesso IBM Cognos

Connection com o nome INART Anlise de Pedidos, onde est disponvel para
acesso, consultas e criao de relatrios por qualquer mquina que esteja
conectada a rede do cliente e possua acesso ao servidor IBM Cognos. Uma vez
aberto pela ferramenta IBM Cognos PowerPlay Studio, o cubo j traz por padro
uma consulta pr-estabelecida que indica a quantidade de produtos pedidos
analisados por fbricas ao longo dos anos, conforme figura 5.31.
74
Figura 5.31: Anlise padro do cubo INART Anlise de Pedidos
Para realizar uma nova consulta deve-se apenas arrastar a dimenso ou nvel
desejado para o painel da direita, seja nas colunas ou linhas e ento fazer o mesmo
com o indicador desejado. No exemplo da figura 5.32 possvel analisar o valor das
vendas realizadas para cada regio nos meses dos anos 2009 e 2010.
Figura 5.32: Vendas realizadas por regio x meses/anos
A atualizao do cubo torna-se necessria sempre que houver alterao nos

dados de alguma tabela do DW.
75
1.8
CRIAO DE RELATRIOS
Aps a gerao e publicao do cubo no portal torna-se possvel a criao de

relatrios simples ou complexos atravs da ferramenta IBM Cognos Report Studio,
que pode ter como origem de dados o cubo publicado ou demais pacotes de
publicao do IBM Cognos Framework Manager com acesso direto s tabelas do
DW.
Durante o levantamento de requisitos, foi identificada a necessidade de criao
de 14 relatrios que tm por fim atender as necessidades do cliente e responder de
forma clara as questes e dvidas pertinentes gesto de sua empresa.
1.8.1 Anlise de Comisso de Representantes
Figura 5.33: Anlise de Comisso de Representantes
76
Este relatrio construdo com base no cubo INART Anlise de Pedidos e

tem a finalidade de analisar o valor de comisso recebido por cada representante ao
longo do tempo atravs de uma tabela cruzada, a qual apresenta tambm totais por
tempo ou por representante.
O relatrio possui tambm uma rea de grficos de pizza que demonstram
percentualmente o ganho de cada representante preposto por ano a fim de tornar
possvel a anlise do rendimento dos mesmos.
Tanto a tabela cruzada como os grficos podem ser filtrados de acordo com
uma determinada fbrica atravs da caixa de filtro localizada no topo do relatrio.
1.8.2 Anlise de Desempenho de Representantes
Figura 5.34: Anlise de Desempenho de Representantes

tem a finalidade de analisar o desempenho das vendas de cada representante ao
77
longo do tempo atravs de uma tabela cruzada que apresenta o total de vendas no
ano por representante ou de um grfico de linhas que pode ser filtrado de acordo
com o ano desejado de anlise.
Tanto a tabela cruzada como o grfico podem ser filtrados de acordo com uma
determinada fbrica atravs da caixa de filtro localizada no topo do relatrio.
1.8.3 Anlise de Vendas x Fbricas
Figura 5.35: Anlise de Vendas x Fbricas

tem a finalidade de analisar o valor vendido em produtos para as diferentes fbricas
representadas.
O relatrio possui trs reas de anlise segmentadas por ano, onde: na
esquerda, possvel visualizar os valores de vendas referentes a cada ms para
cada fbrica atravs de tabelas cruzadas; na rea direita superior possvel ter uma
78
viso anual dos mesmos valores atravs de um grfico de barras; e na rea inferior
direita so exibidos grficos de pizza com percentuais de vendas de cada fbrica
representada.
1.8.4 Grfico de Vendas x Fbricas
Inicialmente, exibida uma tela de filtros (figura 5.36) onde o usurio deve
escolher um ano para a anlise do relatrio.
Figura 5.36: Filtros de Grfico de Vendas x Fbricas
De acordo com o ano escolhido, o relatrio exibido conforme figura 5.37,

permitindo uma visualizao dos valores vendidos por fbrica representada em
forma de grfico de linhas.
Figura 5.37: Grfico de Vendas x Fbricas
79
1.8.5 Evoluo de Preo de Produtos
Figura 5.38: Evoluo de Preo de Produtos

tem a finalidade de representar a evoluo do preo dos produtos ao longo do
tempo.
Atravs de uma tabela cruzada so exibidos os preos dos produtos,
classificados pelas fbricas as quais pertencem, para quando foram cadastrados ou
sofreram alteraes em seus valores. Ainda calculado um valor mdio para todas
as ocorrncias de preos dos produtos e o percentual de diferena que sofreram
com relao ao seu preo anterior.
Com o propsito de simplificar a anlise exibida pelo relatrio, apenas so
considerados os meses que possuem valores de acordo com o que est sendo
analisado. Ainda, possvel filtrar o contedo da tabela de acordo com um
determinado tipo de produto.
80
1.8.6 Ranking de Ajuste de Preos de Produtos
Figura 5.39: Ranking de Ajuste de Preos de Produtos

tem a finalidade de representar atravs de um grfico de barras, um ranking com os
15 produtos que mais sofreram ajuste em seu preo, indicando o valor de diferena
para cada produto.
possvel analisar o grfico conforme um determinado tipo de produto atravs
da caixa de filtro disponvel na parte superior do relatrio.
1.8.7 Quantidade de Produtos x Clientes
escolher um mtodo de anlise entre regio e segmento. Aps, se escolhido analisar
por regio, deve-se selecionar quais regies e cidades pertencentes a estas que
devem compor a anlise. Se selecionado por segmento, o mesmo deve ser feito
para determinar os critrios de anlise do relatrio.
81
Figura 5.40: Filtros de Quantidade de Produtos x Clientes

tem a finalidade de representar a quantidade de produtos adquiridos pelos clientes
atravs de tabelas cruzadas divididas por regio ou segmento ao qual pertencem.
Figura 5.41: Quantidade de Produtos x Clientes
possvel filtrar os dados exibidos nas tabelas do relatrio por ano ou por
fbrica a qual os produtos pertencem. Para tanto, necessria a utilizao das
caixas de filtros dispostas na rea superior do relatrio.
82
1.8.8 Ranking de Produtos
Figura 5.42: Filtros de Ranking de Produtos

tem a finalidade de demonstrar atravs de um grfico de barras, um ranking com os
15 produtos mais vendidos de acordo com o critrio de anlise selecionado na tela
de filtros que exibida quando o relatrio carregado, representada pela figura
5.42. Tal critrio deve ser definido entre cliente, cidade, regio ou segmento.
Figura 5.43: Ranking de Produtos
83
possvel filtrar os dados exibidos no grfico por ano ou por fbrica a qual os
produtos pertencem, caso a anlise desejada for mais detalhada. Para tanto,
necessria a utilizao das caixas de filtros dispostas na rea superior do relatrio.
1.8.9 Ranking de Clientes - Quantidade de Pedidos
Figura 5.44: Ranking de Clientes - Quantidade de Pedidos

tem a finalidade de representar atravs de um grfico de barras, um ranking com os
15 clientes que mais realizaram pedidos.
possvel analisar o grfico para um determinado ano ou at mesmo por uma
determinada fbrica atravs da caixa de filtro disponvel na parte superior do
relatrio.
84
1.8.10 Ranking de Clientes - Valor de Compras
Figura 5.45: Ranking de Clientes - Valor de Compras

possui uma anlise semelhante ao Ranking de Clientes - Quantidade de Pedidos,
porm com a finalidade de demonstrar atravs de um ranking os 15 clientes que
mais investiram em pedidos de acordo com os critrios definidos na parte superior
do relatrio.
1.8.11 Atividade e Inatividade de Clientes
escolher um mtodo de anlise entre regio e segmento, alm de selecionar se
deseja analisar clientes ativos ou inativos.
85
Figura 5.46: Filtros de Atividade e Inatividade de Clientes
Este relatrio construdo a partir do pacote INART Relatrios que contm

as tabelas da base dimensional do projeto e possui a finalidade de demonstrar,
atravs de uma lista localizada na rea esquerda do relatrio, os dados cadastrais
de todos os clientes divididos pelo mtodo de anlise escolhido na tela de filtros.
Caso o cliente esteja inativo, exibido tambm o tempo de inatividade do mesmo
em meses, conforme figura 5.47. Na rea direita do relatrio exibido um grfico de
barras que demonstra a quantidade de clientes existentes nos diferentes segmentos
ou regies, de acordo com o mtodo de anlise escolhido.
Figura 5.47: Atividade e Inatividade de Clientes
86
1.8.12 Lista de Clientes x Regio/Segmento
Figura 5.48: Lista de Clientes x Regio/Segmento
Assim como o relatrio Atividade e Inatividade de Clientes, este relatrio

construdo a partir do pacote INART Relatrios que contm as tabelas da base
dimensional do projeto e tambm possui a finalidade de demonstrar atravs de uma
lista os dados cadastrais dos clientes e de um grfico de barras a quantidade de
clientes existentes nos diferentes segmentos ou regies, de acordo com o mtodo
de anlise escolhido em sua tela de filtros. Porm, considera o nmero total de
clientes, independentemente de seu status de atividade.
1.8.13 Anlise de Pedidos Cancelados

as tabelas da base dimensional do projeto e possui a finalidade de analisar os
87
pedidos que foram cancelados. Tal anlise dividida em duas reas no relatrio: a
rea da esquerda apresenta todos os produtos, assim como seus tipos, quantidades
e valores referentes a todos os pedidos cancelados, bem como cdigo, data e
cliente que realizou o mesmo; na rea da direita exibido um grfico de barras
percentual onde apresentado um percentual de pedidos cancelados ao longo dos
meses, de acordo com a figura 5.49.
Figura 5.49: Anlise de Pedidos Cancelados
Ainda possvel detalhar ainda mais a anlise filtrando uma fbrica ou um ano
nas caixas de filtros disponveis na parte superior do relatrio.
1.8.14 Pesquisa de Pedidos de Clientes

as tabelas da base dimensional do projeto e exerce a funo de pesquisa de
pedidos realizados por um determinado cliente, o qual definido na tela de filtros
(figura 5.50) exibida na execuo do relatrio.
88
Figura 5.50: Filtros de Pesquisa de Pedidos de Clientes
O relatrio organizado em trs reas, conforme figura 5.51: na parte

esquerda superior so disponibilizadas informaes cadastrais referentes ao cliente
selecionado; na parte superior direita demonstrado atravs de um grfico de
barras o percentual que os pedidos daquele cliente representam no decorrer do ano
quando comparados aos dos demais clientes; e na parte inferior exibida a
descrio detalhada de cada pedido do cliente selecionado.
Figura 5.51: Pesquisa de Pedidos de Clientes
89
1.9
IMPLANTAO
Durante a fase de implantao do projeto INART, foi migrado o ambiente de

desenvolvimento para o ambiente do cliente, o qual teve o perodo de quinze dias
para avaliao e aprovao do projeto desenvolvido.
Neste
momento
foi
explicado
funcionamento
das
ferramentas
funcionalidades dos objetos desenvolvidos, bem como decididos os critrios de

atualizao do sistema, composto pela execuo de processos de ETL e gerao do
cubo criado, o que fica de inteira responsabilidade do cliente.
90
CONSIDERAES FINAIS
A implantao do projeto INART no ambiente de trabalho da empresa Thrillway
Comrcio e Representaes Ltda. representou um grande ganho na gesto de seu
negcio, segundo o cliente, pois agora alm de diminuir consideravelmente seu
esforo pela busca de informaes, lhe foi apresentado um novo ngulo gerencial do
mesmo, o que antes no poderia ser notado devido ao fato de no ter um sistema de
gesto empresarial ou sequer um sistema transacional bsico de apoio.
O grande tempo que era perdido diariamente por buscas em planilhas pela
informao necessria hoje aproveitado para visitar clientes que, conforme aponta
o projeto, possuem um maior ndice de compras em relao aos demais,
aumentando assim o nmero de vendas e a satisfao dos clientes, que passaram a
receber mais visitas de representantes dos produtos que mais adquirem.
O sucesso do projeto com o cliente confirma as palavras de Ralph Kimball na
primeira edio do livro The Data Warehouse Toolkit (Wiley) de 1996, provando que
tcnicas de Data Warehousing e a aplicao de uma soluo BI podem ser adotadas
por empresas de pequeno porte e vir a trazer um ganho imensurvel mesma,
sendo muitas vezes mais notvel do que o ganho em uma organizao de grande
porte que j possui sua estrutura gerencial constituda.
Pela forma estrutural estabelecida, o projeto INART perceptivelmente
aplicvel para qualquer empresa do mesmo ramo ou semelhante que a Thrillway
Comrcio e Representaes Ltda., de pequeno ou grande porte, podendo ser
adotado e passar a responder questes de negcio com uma nova perspectiva de
anlise atravs de adaptaes de acordo com o que for necessitado.
Com a finalidade de tornar a soluo do projeto INART menos propcia a erros,
poder ser incorporada soluo uma aplicao de insero de dados atravs de
uma interface grfica, a qual dever ser implementada em qualquer linguagem de
programao e servir tambm como interface lgica entre os dados armazenados
no Data Warehouse e o processo de ETL, melhorando visualmente o ambiente de
trabalho do cliente e diminuindo assim a taxa de erros nos dados de origem, o que
pode acontecer por uma simples letra digitada incorretamente nas planilhas
utilizadas.
Outra melhoria que tornaria o projeto mais abrangente seria a incluso de
indicadores que possam representar o mercado, incorporando assim o aspecto de
91
concorrncia na soluo e tornando visvel a vantagem proporcionada pelo projeto

em relao s demais empresas de representaes comerciais de mesmo ramo.
92
REFERNCIAS
ALMEIDA, Alexandre M. de. Proposio de indicadores para avaliao tcnica
de projetos de Data Warehouse: um estudo de caso no Data Warehouse da
plataforma Lattes. Monografia (Ps-Graduao em Engenharia de Produo)
Universidade Federal de Santa Catarina, Florianpolis, 2006.
ALMEIDA, Maria S.; ISHIKAWA, Missao; REINSCHMIDT, Joerg; ROEBER, Torsten.
Getting Started with Data Warehouse and Business Intelligence. 1 ed. 1999.
Disponvel em: <http://ps-2.kev009.com:8081/rs6000/redbook-cd/sg245415.pdf>
(acessado em 01 de setembro de 2010).
FORTULAN, Marcos R.; FILHO, Eduardo V. G. Uma Proposta de Aplicao de
Business Intelligence no Cho-de-Fbrica. Gesto e Produo, So Carlos, v. 12,
n. 1, p. 55-66, jan. abr. 2005. Disponvel em: <http://www.scielo.br/pdf/gp/v12n1/
a06v12n1.pdf>. (acessado em 04 de setembro de 2010).
FRAMEWORK, Cognos. Cognos 8 BI Metadata Modeling Part 1. Instructor
Guide, Code: C88152. Ottawa, Ontario, Canada, 2006.
GONALVES, Marcio. Extrao de dados para Data Warehouse. Rio de Janeiro:
Axcel Books, 2003.
INMON, William H. Building the Data Warehouse, Fourth Edition. Indianapolis:
Wiley, 1997.
JACOBSON, Reed; MISNER, Stacia; HITACHI Consulting. Microsoft SQL Server
2005 Analysis Services: Passo a Passo. Porto Alegre: Bookman, 2007.
JOHNSON, Debra L. K. Reporting with Rational Portfolio Manager Version 7.1.
2007. Disponvel em: <http://www.ibm.com/developerworks/rational/library/07/
0626_johnson> (acessado em 03 de setembro de 2010).
KIMBALL, Ralph; REEVES, Laura; ROSS, Margy; THORNTHWAITE, Warren. The
Data Warehouse Lifecycle Toolkit: Expert Methods for Designing, Developing,
and Deploying Data Warehouses. Canada: Wiley, 1998.
KIMBALL, Ralph; ROSS, Margy. The Data Warehouse Toolkit: The Complete
Guide to Dimensional Modeling. 2 ed. Canada: Wiley, 2002.
NARDI, Alexandre R. Fundamentos e Modelagem de Bancos de Dados
Multidimensionais. 2007. Disponvel em: <http://msdn.microsoft.com/pt-br/library/
cc518031.aspx> (acessado em 03 de setembro de 2010).
POWERPLAY, Cognos. PowerPlay OLAP Modeling for Series 7 Version 3 and
Cognos 8 BI. Instructor Guide, Code: C88182. Ottawa, Ontario, Canada, 2006.
REPORT, Cognos. Cognos 8 BI Report Authoring Part 1. Instructor Guide,
Code: C88158. Ottawa, Ontario, Canada, 2006.
SINGH, Harry S. Data Warehouse. 1 ed. So Paulo: Makron Books, 2001.
93
SMITH, Debbie. Data Model Overview: Modeling for the Enterprise while Serving
the Individual. 2007. Disponvel em: <http://www.teradata.com/t/brochures/DataModel-Overview-Modeling-for-the-Enterprise-while-Serving-the-Individual-eb2406>
(acessado em 01 de setembro de 2010).
SOUZA, Alessandro J. de. RUP: Rational Unified Process Fase Elaborao.
2005. Disponvel em: <http://www.cefetrn.br/~ajdsouza/engsoft1/PDF/RUP(FasesElaboracao).pdf> (acessado em 08 de julho de 2011).
STACKOWIAK, Robert; RAYMAN, Joseph; GREENWALD, Rick. Oracle Data
Warehousing and Business Intelligence Solutions. Indianapolis: Wiley, 2007.
STAUDT, Denis L. BI Como Ferramenta de Apoio a Gerncia de Projetos. Novo
Hamburgo: 2008. 91p. Projeto de Diplomao (Graduao em Sistemas de
Informao) Instituto de Cincias Exatas e Tecnolgicas, Centro Universitrio
Feevale, Novo Hamburgo.
TABULUS, Diehl Technology LLC. Tabulus Overview. 2010. Disponvel em:
<http://www.tabulus.com/Overview/TabulusVsOLAP.aspx>. (acessado em 09 de
setembro de 2010).
94
GLOSSRIO
Ad-hoc
Expresso latina cuja traduo literal "para isto" ou "para esta

finalidade".
Apud
Termo latino utilizado ao se fazer uma citao de segunda mo, isto ,

citar uma citao.
Design
Denomina-se Design qualquer processo tcnico e criativo relacionado

configurao, concepo, elaborao e especificao de um artefato.
Esse processo normalmente orientado por uma inteno ou objetivo,
ou para a soluo de um problema.
Et Cetera
a expresso de origem latina que significa "e os restantes" ou "e

outras coisas mais". normalmente utilizada no fim de uma frase para
representar a continuao lgica de uma srie ou enumerao.
Feedback
Procedimento que consiste no provimento de informao uma pessoa

sobre o desempenho, conduta, eventualidade ou ao executada por
algo ou algum.
Framework Abstrao que une cdigos ou funcionalidades genricas comuns entre

vrios processos de software.
Front-end
O front-end uma espcie de interface para o usurio visualizar seus

dados de entrada.
Gigabyte
Unidade de medida mltipla do byte. Um gigabyte corresponde a

1073741824 bytes.
Lookup
a transformao utilizada nos processos de ETL para buscar valores

de outra tabela ou view do banco de dados.
Metadados So dados sobre outros dados. Um item de um metadado pode dizer

do que se trata aquele dado, geralmente uma informao inteligvel por
um computador. Os metadados facilitam o entendimento dos
relacionamentos e a utilidade das informaes dos dados.
95
Query
Abstrao lgica de uma consulta em bancos de dados.
Ranking
Processo de posicionamento de itens de estatsticas individuais, de

grupos ou comerciais, na escala ordinal de nmeros, em relao a
outros.
Software
Conjunto de instrues armazenadas em disco(s) ou em chips internos

do computador que determinam os programas bsicos, utilitrios ou
aplicativos, que ele tem para serem usados.
Trigger
Recurso de programao executado sempre que o evento associado

ocorrer. Trigger um tipo especial de procedimento armazenado, que
executado sempre que h uma tentativa de modificar os dados de uma
tabela que protegida por ele.
Update
Comando SQL que realiza a mudana de valores de dados em uma ou

mais linhas de uma tabela existente.

2 PB

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

2 PB

Enviado por

Direitos autorais:

Formatos disponíveis

Revista da Graduao

Seo: FACULDADE DE INFORMTICA

Ttulo: Inteligncia de negcios aplicada ao

Autor: Danyel Saldanha Evangelista

Este trabalho est publicado na Revista da Graduao.

PONTIFCIA UNIVERSIDADE CATLICA DO RIO GRANDE DO SUL

DANYEL SALDANHA EVANGELISTA

Porto Alegre, Rio Grande do Sul, Brasil

DANYEL SALDANHA EVANGELISTA

graduao apresentado Faculdade de

Catlica do Rio Grande do Sul, como requisito

Orientador: Prof. Dr. Duncan Dubugras Ruiz

Porto Alegre, Rio Grande do Sul, Brasil

Raquel, a voc que est comigo em cada

A Michelle Fanslau, minha namorada e melhor amiga, pela compreenso, carinho,

Ao professor Dr. Duncan Dubugras Ruiz pelo incentivo e disposio em me orientar

Este projeto apresenta o desenvolvimento de uma soluo de Inteligncia de

Gerenciamento. Data Warehouse.

Figura 2.1: Exemplo de modelagem dimensional...................................................... 17

Figura 5.36: Filtros de Grfico de Vendas x Fbricas ............................................... 78

Tabela 5.1: Colunas da dimensional de Tempo ........................................................ 39

Extract, Transform, Load

International Business Machines

Inteligncia de Negcios Aplicada ao Ramo Txtil

On-Line Analytical Processing

Systeme, Anwendungen und Produkte in der Datenverarbeitung

Structured Query Language

FUNDAMENTAO TERICA ..................................................................................................... 15

BUSINESS INTELLIGENCE ......................................................................................................................... 15

INFRAESTRUTURA DE DADOS ................................................................................................................... 16

MODELAGEM DIMENSIONAL .................................................................................................................... 16

2.3.1 Tabelas Dimensionais ...................................................................................................................... 17

EXTRAO, TRANSFORMAO E CARREGAMENTO.................................................................................. 20

2.4.1 Extrao de Dados ........................................................................................................................... 21

2.5.1 Data Marts ....................................................................................................................................... 23

ON-LINE ANALYTICAL PROCESSING (OLAP) .............................................................................................. 24

2.6.1 Cubos ............................................................................................................................................... 25

FERRAMENTAS IBM COGNOS .................................................................................................... 28

APRESENTAO IBM COGNOS .............................................................................................................. 28

3.1.1 Fluxo de Processos IBM Cognos................................................................................................ 28

OBJETIVOS DO PROJETO ........................................................................................................... 33

PROJETO INART ........................................................................................................................... 35

NECESSIDADES DO NEGCIO ................................................................................................................. 35

MODELO DATA W AREHOUSE.................................................................................................................. 37

5.2.1 Dicionrio de Dados ...................................................................................................................... 39

PROCESSOS DE ETL .............................................................................................................................. 46

5.3.1 Arquivos de Origem ...................................................................................................................... 46

DEFINIO DO PORTAL IBM COGNOS ................................................................................................... 63

CRIAO DE FRAMEWORK ...................................................................................................................... 63

CRIAO DO CUBO ANALTICO ............................................................................................................... 67

5.6.1 Indicadores ..................................................................................................................................... 73

CRIAO DE RELATRIOS ...................................................................................................................... 75

5.7.1 Anlise de Comisso de Representantes ................................................................................. 75

CONSIDERAES FINAIS ........................................................................................................... 90

Com a crescente concorrncia e constante mudana no ambiente empresarial,

Quando lidamos com uma empresa de pequeno porte, a necessidade de

Este captulo aborda os tpicos de suma importncia para o entendimento da

2.1 BUSINESS INTELLIGENCE

2.2 INFRAESTRUTURA DE DADOS

O modelo de dados o ncleo de um Data Warehouse. As decises tomadas

2.3 MODELAGEM DIMENSIONAL

dimensional um processo lgico de design utilizado para a organizao dos dados

Figura 2.1: Exemplo de modelagem dimensional