Escolar Documentos
Profissional Documentos
Cultura Documentos
Renato Tavares
So Carlos - SP
2008
Renato Tavares
So Carlos - SP
2008
T231p
Tavares, Renato
Proposta de um sistema de apoio deciso para
controle e gerenciamento agrcola em usinas de acar e
lcool / Renato Tavares ; orientador Edson Walmir
Cazarini. - So Carlos, 2008.
AGRADECIMENTOS
Aos meus pais Manoel e Sueli, aos meus irmos Andria e Alexandre e ao meu filho
Renan que fazem parte da minha vida no somente nos momentos alegres, mas
principalmente nos momentos mais difceis.
Ao meu orientador Prof. Dr. Edson Walmir Cazarini, pelo acompanhamento pontual e
competente e pelas inmeras contribuies.
Epgrafe
Se voc quer ter sucesso na vida, tem que ter dedicao
total, buscar seu ltimo limite e dar o melhor de si
Ayrton Senna da Silva
Resumo
TAVARES, R. Proposta de um sistema de apoio deciso para controle e
gerenciamento agrcola em usinas de acar e lcool. 2008. Dissertao
(Mestrado) - Escola de Engenharia de So Carlos, Universidade de So Paulo, So
Carlos, 2008.
Abstract
TAVARES, R. Proposal for systems of support to the decision for the control
and management agricultural in sugar and ethanol plants. 2008. Dissertao
(Mestrado) - Escola de Engenharia de So Carlos, Universidade de So Paulo, So
Carlos, 2008.
Information and knowledge are receiving more attention with the growing of
computing evolution. This evolution provides available information to everybody
contributing for the acquisition of knowledge, transforming the database in an
important key of this evolution process. This work presents a research about the use
of technologies of Systems of Support to the Decision by using methodologies of
data storage in powerful data bases (Data Warehouse) for the Control and
Management Agricultural in Sugar and Ethanol Plants. An environment was
developed for the analysis of non-volatile data, extensible, projected and physically
transformed, proceeding from diverse applications, aligned with the structure of the
company, updated and kept for a long period of time, related in business' terms and
grouped for fast analysis. With the implantation of these new technologies, the
company will be able to obtain information of the managerial and strategic level to
help on its decision making processes, what was not possible before with the current
systems of information existent at the company.
Key words: Systems of Support to the Decision, Data Warehouse, Sugar and
Ethanol Plants.
Sumrio
Lista de Figuras
Lista de Tabelas
Lista de Abreviaturas, Siglas e Smbolos
i
ii
iii
Captulo 1 - Introduo
01
1.1 - Contexto
01
02
04
04
05
10
12
13
13
14
15
20
22
3.1 - Conceito
22
25
3.3 - Granularidade
29
36
41
42
44
46
46
47
48
49
55
62
63
4.8 - Exportaes
67
70
74
77
78
78
84
87
88
89
89
90
106
107
118
120
123
Captulo 6 - Concluso
6.1 - Propostas para Trabalhos Futuros
124
126
Referncias Bibliogrficas
127
Bibliografia Complementar
134
Anexos
Anexo_1 - Questes com Relao Produo
Anexo_2 - Questes com Relao ao Rendimento
Anexo_3 - Questes com Relao ao Preo e Faturamento
Anexo_4 - Questes com Relao aos Dados Tecnolgicos
Anexo_5 - Questes com Relao aos Custos
Anexo_6 - Questes com Relao a Comparativos
Anexo_7 - Questes com Relao a Estimativas
Anexo_8 - Questes com Relao a Simulaes
Todas as Questes Apresentam:
Linguagem SQL utilizada na Consulta
Informaes Geradas pela Linguagem SQL
Relatrio Desenvolvido com as Informaes Geradas
Lista de Figuras
Figura 1
11
Figura 2
Outline da Pesquisa
12
Figura 3
Os Sistemas de Informao
13
Figura 4
Processo Prospectivo
19
Figura 5
26
Figura 6
A Questo da No-Volatilidade
27
Figura 7
Varivel no Tempo
28
Figura 8
29
Figura 9
30
Figura 10
32
Figura 11
33
Figura 12
O Relatrio Ideal de um DW
34
Figura 13
36
Figura 14
Arquitetura Genrica de um DW
43
Figura 15
50
Figura 16
54
Figura 17
59
Figura 18
59
Figura 19
60
Figura 20
61
Figura 21
64
Figura 22
66
Figura 23
67
Figura 24
68
Figura 25
69
Figura 26
72
Figura 27
72
Figura 28
73
Figura 29
73
Figura 30
75
Figura 31
76
Figura 32
76
Figura 33
79
Figura 34
79
Figura 35
80
Figura 36
80
Figura 37
81
Figura 38
81
Figura 39
82
Figura 40
82
Figura 41
83
Figura 42
83
Figura 43
84
Figura 44
93
Figura 45
94
Figura 46
95
Figura 47
95
Figura 48
95
Figura 49
95
Figura 50
96
Figura 51
96
Figura 52
96
Figura 53
97
Figura 54
97
Figura 55
108
Figura 56
109
Figura 57
109
Figura 58
110
Figura 59
110
Figura 60
111
Figura 61
111
Figura 62
112
Figura 63
112
Figura 64
114
Figura 65
115
Figura 66
116
Figura 67
Modelo Proposto
118
Figura 68
119
ii
Lista de Tabelas
Tabela 1
41
Tabela 2
57
Tabela 3
58
Tabela 4
Produtividade x Custo
66
Tabela 5
Dimenso Tempo
98
Tabela 6
98
Tabela 7
Dimenso Solo
98
Tabela 8
99
Tabela 9
99
Tabela 10
Dimenso Fazenda
99
Tabela 11
100
Tabela 12
100
Tabela 13
101
Tabela 14
101
CPFL
DBF
ARQUIVO DE DADOS
DBMS
DDW
DER
DW
DATA WAREHOUSE
EIS
ERP
GEE
GNV
GS NATURAL VEICULAR
IAA
IDEA
OLAP
OLTP
PC
PUREZA DA CANA
POL
POL DO CALDO
SAD
SI
SISTEMA DE INFORMAO
SIG
SQL
VHP
iii
Capitulo 1 - Introduo
Atualmente os Bancos de Dados so muito importantes para as Grandes
Empresas assim como a anlise dos dados neles existentes. Geralmente as grandes
empresas detm um volume enorme de dados distribudos em diversos sistemas de
informao diferentes. A recuperao e a sua conseqente anlise torna-se muitas
vezes complicada visto que, as informaes esto pulverizadas pelas diferentes
reas funcionais da organizao. Para organizar estes dados so necessrios
mtodos de armazenamento, estruturao e novas tecnologias que permitem a
gerao e recuperao dessas informaes de forma correta e consistente,
facilitando com isso a tomada de deciso.
1.1 - Contexto
Desde o plantio da matria-prima at sua transformao dentro da fbrica, o
sucesso de uma Usina de Acar e lcool depende do alinhamento e da sintonia
entre os elos da sua cadeia produtiva. Com a utilizao de sistemas integrados e de
apoio tomada de deciso, a empresa conseqentemente estar habilitada a
atender os principais requerimentos competitivos da agroindstria e assim
responder, com transparncia, aos desafios estratgicos de reduo de custos e
melhoria da produtividade.
Exercendo um maior controle sobre os processos de produo, potencializa-se
a reduo do uso de insumos e o aumento da produtividade e produo. O maior
controle sobre os processos de gesto possibilitam maior rapidez e preciso de
informaes.
Direcionando para a rea de agronegcios e mais precisamente Usinas de
Acar e lcool o avano dessas novas tecnologias tem contribudo para que
Diretores e Gerentes da rea agrcola tenham um grande nmero de informaes
sua disposio para tomar decises.
A rea agrcola dessas empresas muito importante, talvez possa ser
considerada como a mais importante, pois ela que vai gerar a matria-prima
(Cana-de-Acar), para a produo de seus principais produtos (acar e lcool)
como tambm seus derivados.
Assim,
haver
co-responsabilidade
tanto
na
formulao
do
Descrio do Mtodo
Apesar da pesquisa-ao possuir uma estrutura flexvel, possvel identificar
quatro fases que compem o estudo (THIOLLENT, 1997):
Plano de Estudo
A presente pesquisa est centrada na questo de propor um SAD utilizando um
DW como modelo de estrutura de armazenamento de dados e concentrando-se nos
benefcios da implementao do novo sistema, quando ajustado a organizao.
A origem da pesquisa foi uma reunio com os diretores da empresa pesquisada,
sobre a falta de informaes do nvel gerencial e estratgico, ou seja, a empresa
possui sistemas de informao implantados, utiliza sistemas de gesto Enterprise
Resources Planning (ERP), porm encontra grande dificuldade em obter essas
informaes. A discusso foi norteada pelos objetivos da empresa e pela vontade
expressada pelos diretores de possuir um sistema de informao capaz de extrair e
coletar informaes dos sistemas operacionais agrcolas existentes da empresa e
transforma-los em informaes estratgicas para o processo de tomada de deciso.
10
Captulo - 1
Apresentao do assunto dissertado e enfoque dado ao problema. Logo aps,
foram apresentados o objetivo e a justificativa da pesquisa de acordo com a
linha de pesquisa em que o trabalho se encontra inserido e por final a
metodologia de pesquisa aplicada no trabalho.
Captulo - 2
Apresenta uma introduo do processo decisrio dentro das organizaes
como tambm sua relevncia no atual mundo globalizado em que vivemos
atualmente. Tambm so apresentados os principais conceitos sobre Sistemas
de Informao Gerenciais (SIG) e Sistemas de Apoio Deciso (SAD).
Captulo - 3
Apresenta os principais conceitos sobre a tecnologia de DW, suas
caractersticas, granularidade e modelagem. So demonstradas as principais
diferenas entre um modelo dimensional (foco deste trabalho) e um modelo de
dependncia de dados. dada uma rpida introduo ao conceito de Data Mart
e finalizando com as caractersticas da arquitetura do DW.
Captulo - 4
Apresenta uma viso geral sobre a agroindstria canavieira no Brasil, faz uma
breve introduo, mostra os impactos com relao ao meio ambiente, as
caractersticas da cadeia produtiva, os processos, evoluo, custos de
produo, perspectivas sobre o futuro e alguns nmeros do setor.
11
Captulo - 5
O objetivo deste captulo apresentar todo o processo da pesquisa-ao,
incluindo a descrio da organizao objeto do presente estudo e o desenrolar
das quatro fases da metodologia da pesquisa-ao.
Toda a fase de construo do ambiente de DW (metodologia, os nove pontos
de deciso, a fase de carregamento, o sistema de extrao de dados de
produo e a estrutura de armazenamento de dados), demonstrada passo a
passo.
Captulo - 6
O objetivo deste captulo apresentar a concluso do trabalho, avaliando os
principais resultados obtidos frente utilizao da implantao da tecnologia de
SAD
juntamente
com
proposta
do
novo
modelo
de
armazenamento de dados.
A figura 1 mostra a viso macro da estrutura dos captulos:
estrutura
12
13
14
Atualmente sabe-se que uma grande parte dos problemas enfrentados pelas
organizaes diz respeito ao comportamento humano. Mais ainda, muitos problemas
comportamentais que so usados, implementam e estruturam sistemas que no
podem ser expressos por intermdio de normas rgidas dentro de uma viso
estritamente tcnica.
Assim, o enfoque atual dos Sistemas de Informao scio-tcnico,
considerando com igual importncia tanto a parte tcnica e matemtica quanto a
comportamental.
As decises gerenciais afetam diretamente a sobrevivncia das empresas e a
vida daqueles que giram em torno dela, sejam eles empregados, acionistas,
fornecedores, clientes ou, muitas vezes, a prpria sociedade. Por isso, o processo
decisrio em uma empresa algo importante no apenas para o seu ambiente
interno. Prova disso, a presso que o tomador de deciso sofre, principalmente, de
seus clientes (MIGLIOLI, 2006).
Diante desse quadro, para que os decisores tomem boas decises, h a
necessidade de que estas sejam baseadas em dados confiveis que sero
transformados nas variveis do problema a ser solucionado e indicaro as
alternativas de soluo do problema (OSTANEL, 2005).
ampla
disponibilidade
geogrfica,
excelente
tempo
de
resposta,
15
Foco na Informao;
16
Listar o fornecedor que no teve mais do que 20% de atraso nas ltimas
150 entregas.
17
Uma arquitetura de dados adequada para dar suporte aos dois tipos de
aplicaes baseia-se em dois ambientes de banco de dados, os operacionais para
dar suporte s aplicaes do negcio e os de suporte deciso DW, para dar
suporte s aplicaes sobre o negcio (DALALBA, 2007).
Os SAD fornecem aos executivos diversas ferramentas de modelagem e anlise
com o objetivo de capacitar os usurios a solucionar problemas de forma integral,
fornecendo informaes obtidas de diversas fontes de dados da empresa (BUOSI,
2004).
Principais caractersticas dos SAD:
18
nmero
resumido
partir
esse
resumo
em
conjuntos
de
resumos
19
20
H toda uma gama de softwares muito sofisticados que podem ser utilizados em
um SAD para apresentarem resultados a um gerente.
A parte difcil do SAD no est na apresentao grfica, e sim em descobrir e
preparar os nmeros que constam nos grficos (INMON, 1997).
Do ponto de vista grfico, o SAD perfeitamente capaz de suportar o processo
de prospeco, desde que, antes de tudo, os dados existam. Mas se os dados a
analisar no existirem, o processo prospectivo se torna entediante e difcil,
certamente diferente de algo que o executivo queira fazer.
21
22
3 - Data Warehouse
Os Bancos de dados operacionais esto disponveis h bastante tempo, mas
no se preocupam com as questes pertinentes aos tomadores de deciso.
Baseado nesta ausncia surgiu uma oportunidade para o desenvolvimento da
tecnologia DW, que capaz de suprir a necessidade de gerenciamento da
informao com o uso dos bancos de dados como suporte a deciso em uma
organizao.
3.1 - Conceito
O DW teve suas origens na necessidade de integrar dados provenientes de
diversas origens e tambm na necessidade de gerenciar um grande volume de
dados. Sua utilizao como suporte para a administrao de processos possibilita
uma mudana da configurao de gerao e disponibilizao dos dados
(FAVARETTO, 2007).
O DW pode ser considerado como um enorme repositrio de dados central,
onde a informao armazenada se encontra de maneira integrada. Esta informao
utilizada como suporte no processo de tomada de deciso dentro das
organizaes (RIVAS et al., 2007).
Segundo INMON (1997), DW um conjunto de dados orientados por assuntos,
no voltil, varivel com o tempo e integrado, criado para dar suporte deciso.
Um DW um grande banco de dados, elaborado com a finalidade de dar
suporte ao processo decisrio estratgico da empresa, cujos dados que o povoaro
so obtidos dos bancos de dados dos aplicativos das reas operacionais da
empresa (DALALBA, 2007).
A tecnologia de DW surge com a mesma proposta de otimizao do uso da
informao, a fim de transform-la em diferencial competitivo. Desponta como uma
das principais arquiteturas. Foi desenvolvida com a finalidade de prover suporte
tomada de deciso, tendo como elementos bsicos: orientao para o objeto,
integrao, tempo como varivel e a no-volatilidade de dados (TARAPANOFF et
al., 1995).
23
24
25
26
No Voltil
Significa que o DW permite apenas a carga inicial dos dados e consultas a estes
dados, o chamado ambiente load-and-access (carregamento e acesso) conforme
mostra a figura 6. Aps serem integrados e transformados, os dados so carregados
em bloco para o DW, para que estejam disponveis aos usurios para acesso aos
dados. No ambiente operacional, ao contrrio, os dados so, em geral, atualizados
registro a registro, em mltiplas transaes. Essa volatilidade requer um trabalho
considervel para assegurar integridade e consistncia atravs de atividades de
rollback (voltar lista), recuperao de falhas, commits (efetivar transao) e
bloqueios. Um DW no requer este grau de controle tpico dos sistemas orientados a
transaes (INMON, 1997).
27
Variante no Tempo
Refere-se ao fato do dado em um DW referir-se a algum momento especfico,
significando que ele no atualizvel, enquanto que o dado de produo
atualizado de acordo com as mudanas de estado do objeto em questo, refletindo,
em geral, o estado do objeto no momento do acesso, conforme mostra a figura 7.
Em um DW, a cada ocorrncia de uma mudana, uma nova entrada criada, para
marcar esta mudana.
O tratamento de sries temporais apresenta caractersticas especficas, que
adicionam complexidade a ambiente do DW. Processamentos mensais ou anuais
so simples, mais dias e meses oferecem dificuldades pelas variaes encontradas
no nmero de dados, deve-se considerar que no apenas os dados tm uma
caracterstica temporal, mas tambm os metadados, que incluem definies dos
itens de dados, rotinas de validao, algoritmos de derivao, entre outras. Sem a
manuteno do histrico dos metadados, as mudanas das regras de negcio que
afetam os dados no DW so perdidas, invalidando dados histricos (INMON, 1997).
A atualizao do repositrio de dados um processo complexo, e pode ser
considerado como uma das tarefas mais significativas na operao de um DW
(MANNINO & WALTER, 2006).
28
29
3.3 - Granularidade
O mais importante aspecto do projeto de um DW a questo da granularidade.
A granularidade diz respeito ao nvel de detalhes ou de resumo contido nas
unidades de dados existentes no DW. Quanto mais detalhes, mais baixo o nvel de
granularidade. Quanto menos detalhes, mais alto o nvel de granularidade.
A granularidade de dados tem uma questo delicada de projeto. Nos primeiros
sistemas operacionais que foram criados, a granularidade era tida como certa.
Quando os dados detalhados eram atualizados, era quase certo que eles seriam
armazenados no nvel mais baixo de granularidade. No entanto, no ambiente de
DW, a granularidade no um pressuposto (INMON, 1997).
A razo pela qual a granularidade a principal questo de projeto consiste no
fato de que ela afeta profundamente o volume de dados que residem no DW e, ao
mesmo tempo, afeta o tipo de consulta que pode ser atendida.
Quando se tem um nvel de granularidade muito alto o espao em disco e o
nmero de ndices necessrios se tornam bem menores, porm h uma
correspondente diminuio da possibilidade de utilizao dos dados para atender a
consultas detalhadas (DALALBA, 2007).
A Figura 9 apresenta uma das questes referentes a granularidade. No lado
esquerdo h um baixo nvel de granularidade.
30
31
Modelagem Dimensional
Fundamentalmente, este um trabalho sobre modelagem dimensional e sobre
como construir um DW dimensional e mant-lo em funcionamento. Modelagem
dimensional um nome novo para uma tcnica antiga usada para criar bancos de
dados simples e compreensivos. Quando um banco de dados pode ser visualizado
como um cubo contendo trs, quatro ou at cinco ou mais dimenses, as pessoas
conseguem fatiar esse cubo em qualquer de suas dimenses. Da mesma forma,
esses modelos podem ser facilmente entendidos e navegados pelo software
tornando a interface de usurio simples e o desempenho da consulta aceitvel.
O modelo dimensional composto basicamente por dois tipos de tabelas: as de
Fato e as de Dimenso. As primeiras so grandes tabelas centrais, compostas
basicamente das ocorrncias do negcio, por exemplo, vendas, produo e defeitos.
J as segundas armazenam as descries do negcio, como dados sobre o produto
(marca, tamanho, categoria, preo), tempo (dia, ms, ano) ou cliente (nome,
endereo, classe social). Cada tabela de Dimenso possui uma nica chave
primria, e o conjunto dessas chaves primrias formar a chave composta da tabela
de Fato. Cada negcio ou assunto possui sua tabela de Fato e suas respectivas
tabelas de Dimenso (FORTULAN & FILHO, 2005).
A modelagem dimensional permite-nos visualizar dados. A habilidade de
visualizar algo to abstrato quanto um conjunto de dados de forma concreta e
tangvel o segredo da compreensibilidade.
Muitas pessoas consideram fcil imaginar esse negcio como um cubo de
dados, com legendas em cada uma das arestas do cubo, como mostra a Figura 10.
Qualquer ponto do interior do cubo est na interseco das coordenadas definidas
pelas arestas do cubo. Para o negcio descrito anteriormente, legendamos as
margens do cubo como Produto, Mercado e Tempo.
A maioria das pessoas consegue imaginar que os pontos dentro do cubo
representam o local em que as medies do negcio para aquela combinao de
Produto, Mercado e Tempo esto armazenadas. Esse o modelo dimensional
(KIMBALL, 1998).
A primeira vista este modelo parece bem simples. Um modelo de dados simples
no seu princpio tem a chance de permanecer simples at o final do projeto. Um
modelo de negcio complicado de incio certamente ser complicado no final.
32
33
34
A Dimenso Tempo
Os sistemas OLTP e DW tratam o tempo de forma diferente. O melhor sistema
OLTP um status instantneo dos negcios de uma organizao, atualizado
constantemente medida que as transaes so concretizadas. Os valores-chave
do negcio devem mudar a cada minuto ou segundo. O status muda continuamente
e os relacionamentos entre as entidades so alterados. Por exemplo, medida que
os pedidos so atendidos, a relao de pedidos a atender muda e os
relacionamentos de fornecedores de peas podem estar mudando. Chamamos esse
tipo de banco de dados OLTP de twinkling database (banco de dados instantneo).
Embora alguns aplicativos e usurios executem consultas do tipo DW em um
twinkling database, a maioria deles prefere no usar esse recurso. Muitos usurios
no gostam da idia de que o banco de dados possa sofrer alteraes durante ou
entre as consultas. Essa natureza instantnea dos bancos de dados OLTP o
primeiro tipo de inconsistncia temporal que evitamos em um DW.
O segundo tipo de inconsistncia temporal em um banco de dados OLTP a
falta de suporte explcito para representar corretamente um histrico passado. Em
um DW costumamos perguntar Como se comportou meu negcio no ms passado?
ou no trimestre passado ou no ano passado?.
35
36
37
Tabela de Fatos
A tabela de fatos armazena medies numricas do negcio. Cada uma das
medies obtida na interseco de todas as dimenses. Na Figura 13 as medidas
numricas consistem no nmero de reais vendidos, no nmero de unidades
vendidas e no custo estendido (custo unitrio x quantidade). O custo representa
quanto gastamos, como varejistas, para colocar o produto na prateleira. Imaginemonos observando os produtos ao serem vendidos no mercado. Anotamos o nmero
de reais vendidos, o nmero de unidades vendidas e o custo estendido todos os
dias, em cada loja, para cada produto. Os fatos melhores e mais teis so
numricos, continuamente valorados (diferentes na cada medida) e aditivos (podem
ser adicionado s diversas dimenses). O motivo para a atualizao de fatos
continuamente valorados e aditivos que em praticamente todas as consultas feitas
a essa tabela de fatos, solicitaremos que sejam usadas centenas, milhares e at
milhes de registros para o Sistema de Gerenciamento de Banco de Dados (DBMS)
construir o conjunto de resposta. Esse grande nmero de registros ser compactado
em algumas dezenas de linhas para produzir o conjunto de resposta do usurio. A
nica forma vivel de compact-los no conjunto de resposta ser adicion-los.
Portanto, se as medies forem nmeros e se forem aditivas, poderemos construir
facilmente o conjunto de resposta (KIMBALL, 1998).
38
Tabelas Dimensionais
As tabelas dimensionais armazenam as descries textuais das dimenses do
negcio. Cada uma dessas descries textuais ajuda a definir um componente da
respectiva dimenso. Por exemplo, cada registro da dimenso produto representa
um produto especfico. Em um banco de dados bem estruturado, a tabela de
dimenso produto possui muitos atributos (campos). Os melhores atributos so
textuais, discretos, e usados como fonte de restries e cabealhos de linha no
conjunto de resposta do usurio.
Como os atributos destinam-se a descrever os itens de uma dimenso, so mais
teis quando no formato de texto. Os atributos tpicos de produto incluem uma
descrio sucinta (de 10 a 15 caracteres), uma descrio longa (de 30 a 60
caracteres), a marca, a categoria, o tipo de embalagem e o tamanho do produto.
39
40
SELECT
P.MARCA,
SUM ( F.REAIS )
AS VENDAS_EM_REAIS,
SUM ( F.UNIDADES)
AS UNIDADES_VENDIDAS
(2)
FROM
(3)
WHERE
(4)
F.CHAVE_TEMPO
= T.CHAVE_TEMPO AND
T.TRIMESTRE
= 1 T 2007
(5)
GROUP BY
P.MARCA
(6)
ORDER BY
P.MARCA
Esse SQL pode ser considerado como um modelo padro para todas as
consultas de DW envolvendo a tabela de fatos.
Nosso modelo de SQL nos fornece uma viso detalhada de como uma consulta
deve ser processada em um banco de dados dimensional. Primeiro as restries so
avaliadas, dimenso por dimenso. Cada dimenso produz um conjunto de chaves
candidatas. As chaves candidatas so reunidas a seguir em chaves compostas que
sero pesquisadas na tabela de fatos. Todos os achados da tabela de fatos so
agrupados e totalizados de acordo com as especificaes da seleo da lista e da
clusula group by. Embora cada DBMS use uma forma diferente para processar o
SQL, esse modelo de processamento de consulta dimensional muito mais
importante do ponto de vista da perspectiva back room em um ambiente de DW. As
consultas em DW que duram horas geralmente so aquelas em que o DBMS decidiu
no processar as dimenses primeiro, mas em vez disso est tentando processar a
tabela de fatos no incio do processo. A maior parte do tempo gasta com o back
room tentando obrigar o DBMS a processar a consulta na ordem apropriada
(KIMBALL, 1998).
41
42
3.6 - Arquitetura do DW
Para ser til o DW deve ser capaz de responder a consultas avanadas de
maneira rpida, sem deixar de mostrar detalhes relevantes s respostas. Para isso
ele deve possuir uma arquitetura que lhe permita coletar, manipular e apresentar os
dados de forma eficiente e rpida. Mas construir um DW eficiente, que servir de
suporte a decises para empresas exige mais do que simplesmente descarregar ou
copiar os dados dos sistemas atuais para um banco de dados maior. Deve-se
considerar que os dados provenientes de vrios sistemas podem conter redundncia
e diferenas, ento antes de pass-los para o DW necessrio aplicar filtros sobre
eles. O estudo de uma arquitetura permite compreender como o DW faz para
armazenar, integrar, comunicar, processar e apresentar os dados que os usurios
utilizaro em suas decises. Um DW pode variar sua arquitetura conforme o tipo de
assunto abordado, pois as necessidades tambm variam de empresa para empresa.
possvel definir uma arquitetura genrica onde praticamente todas as
camadas necessrias so apresentadas, conforme a arquitetura genrica vista a
seguir, ou arquitetura que utilizam somente algumas das camadas definidas, como
as arquiteturas em duas e trs camadas.
Arquitetura Genrica do DW
A seguir descrita uma arquitetura genrica proposta por DALALBA (2007),
ilustrada na Figura 14. Esta descrio genrica procura apenas sistematizar papis
no ambiente de DW, permitindo que diferentes abordagens encontradas no mercado
atualmente possam ser adaptadas a ela, deve-se considerar que esta arquitetura
tem o objetivo de representar a funcionalidade de um DW, sendo que vrias
camadas propostas podem ser atendidas por um nico componente de software.
Esta arquitetura composta pela camada dos dados operacionais e outras
fontes de dados que so acessados pela camada de acesso aos dados. As
camadas de gerenciamento de processos, transporte e DW formam o centro da
arquitetura e so elas as responsveis por manter e distribuir os dados.
43
44
45
46
4.1 - Introduo
O acar uma commodity
Commodity um termo utilizado nas relaes comerciais internacionais para designar um tipo
47
48
49
50
Figura 15 - Viso Macro dos Processos Agrcolas de uma Usina de Acar e lcool.
(Fonte: USINA, 2007)
Preparo do Solo:
Tendo a cana-de-acar um sistema radicular profundo, um ciclo vegetativo
econmico de quatro anos e meio ou mais e uma intensa mecanizao que se
processa durante esse longo tempo de permanncia da cultura no terreno, o preparo
do solo deve ser profundo e esmerado.
Convm salientar que as unidades sucroalcooleiras no seguem uma linha
uniforme de preparo do solo, tendo cada uma seu sistema prprio, variao essa
que ocorre em funo do tipo de solo predominante e da disponibilidade de
mquinas e implementos.
51
52
Tratos Culturais
Os tratos culturais na cana-planta limitam-se apenas ao controle das ervas
daninhas, adubao em cobertura e adoo de uma vigilncia fitossanitria para
controlar a incidncia do carvo.
O perodo crtico da cultura, devido concorrncia de ervas daninhas, vai da
emergncia aos 90 dias de idade.
O controle mais eficiente s ervas, nesse perodo, o qumico, utilizando-se da
aplicao de herbicidas em pr-emergncia, logo aps o plantio e em rea total.
Dependendo das condies de aplicao, infestao da gleba e eficincia do
praguicida, h necessidade de uma ou mais carpas mecnicas e catao manual at
o fechamento da lavoura. A partir dai a infestao de ervas praticamente nula.
4
Colmos de Cana: tipo de caule comum s gramneas, com ntida diferenciao dos ns e dos
53
54
adubadeiras
cultivadores
que
realizam
simultaneamente,
55
56
57
58
59
Unicops: o parmetro utilizado pela Copersucar (Cooperativa de Produtores de Cana-deAcar, Acar e lcool do Estado de So Paulo), para uniformizao dos diversos tipos de produtos
fabricados pelas unidades industriais. Esse parmetro serve para comparar diversos mix de
produo, at de unidades diferentes, por tonelada de cana, ou seja, dividindo-se as Unicops pelas
toneladas de cana modas, tm-se um nmero para ser comparado entre as unidades e at mesmo
de safras anteriores, visando verificar a performance entre usinas ou da mesma usina em diversas
safras (MACEDO, 2005).
60
A figura 18 mostra que a produo de lcool at a Safra 00/01 foi sempre maior
que a produo de acar, sendo que a partir da Safra 01/02 houve uma inverso
neste quadro onde se passou a produzir sempre mais acar do que lcool. Isso se
deve ao preo do acar que nas ltimas safras, mostrou-se mais atrativo do que o
lcool para as unidades produtoras.
A figura 19 mostra um comparativo entre o percentual de produo de lcool
Total produzido pelo Brasil entre as safras 96/97 e 06/07, com o total de Acar
produzido no mesmo perodo.
61
estado de So Paulo, Bahia e Mato Grosso do Sul, onde a maior rentabilidade da cana-de-acar
frente ao gado fez com que os canaviais avanassem e gradualmente tomassem o lugar da pecuria
(UNICA, 2007).
62
longo
caminho,
principalmente
nos
mercados
de
acar
lcool
(COPERSUCAR, 2007).
No final do sculo XVIII, a concorrncia do acar de beterraba europeu e do
acar de cana das Antilhas e de Cuba ameaavam a liderana do Nordeste
brasileiro, grande produtor de acar. Ao mesmo tempo, a lavoura canavieira
reconquistou importncia como atividade econmica em So Paulo, migrando do
litoral para o interior, onde estavam as reas de solos frteis de terra roxa.
Ainda que a partir do sculo XIX So Paulo tivesse sua economia focada no
caf, a produo aucareira continuou crescendo at 1929, quando o crash da Bolsa
de Nova York abalou os mercados mundiais, atingindo fortemente a economia
brasileira, baseada no caf. A cana sofreu o mesmo impacto.
Com a crise econmica de 1929, foi criado o Instituto do Acar e do lcool
(IAA), cuja funo era controlar a produo para manter os preos em um nvel
adequado, protegendo o produto brasileiro no mercado mundial. Para atingir suas
finalidades, o IAA estabeleceu um sistema rgido de cotas, que eram distribudas
entre as diferentes unidades produtoras, ou seja, cada engenho e usina s poderiam
produzir uma determinada quantidade de acar. Com os preos e a produo
rigidamente controlados, a nica maneira de manter o negcio lucrativo era reduzir
os custos e aumentar a produtividade.
Desse modo, era praticamente inevitvel que a produo viesse a se concentrar
em grandes usinas, com capacidade para moer milhares de toneladas de cana por
dia. Desde ento, a agroindstria aucareira vem passando um constante processo
de modernizao, com o agrupamento de empresas, buscando maior rendimento
das lavouras e barateamento dos custos (COPERSUCAR, 2007).
63
64
Por esse fato, tem de se analisar cada caso. Existem aquelas empresas que
investiram fortemente no seu desenvolvimento organizacional, na introduo de
novas tecnologias e, acima de tudo, recrutaram profissionais gabaritados, passando
a contar com equipe competente (MACEDO, 2005).
Assim, tomando decises com base em slidos sistemas de custos e
oramentos, e em sistemas de planejamento e controle, certamente se destacaram e
ganharam competitividade (IDEA, 2007).
So empresas em que h uma perfeita integrao entre as reas de produo
de matria-prima, de produo industrial, financeira e de vendas. Infelizmente outras
empresas ficaram para trs e no acompanharam este bom desenvolvimento ou
pelo menos no demonstraram a mesma evoluo.
A tendncia, se no reagirem rapidamente, seu desaparecimento ou sua
incorporao por outras unidades.
Todavia, independentemente da forma como as usinas tm se preparado para
tornarem-se mais eficientes e mais competitivas, a presso dos custos tem se
acentuado sobre diferentes reas das empresas.
A figura 21 mostra a composio dos custos de produo com a cana de acar
na regio Centro-Sul.
65
66
67
Fazendo uma anlise qualitativa, de uma maneira geral, possvel observar que
as usinas esto melhorando os seus processos, investindo em mquinas,
equipamentos e tecnologia da informao, o que traz uma reduo de custos. E isso
est acontecendo porque o mercado est aquecido pela demanda de lcool e pelo
cenrio positivo para o acar. As empresas esto investindo em suas usinas e em
rendimento por meio de planos de ao, ferramentas de gesto, controle e anlise.
A implantao disso tudo resulta em eficincia e, conseqentemente, reduo de
custos porque melhora a produtividade e o rendimento das usinas.
4.8 - Exportaes
O mercado interno do lcool vem ganhando destaque no segmento
agroindustrial brasileiro, proporcionado pela retomada do aumento do consumo
domstico em conseqncia do preo competitivo do combustvel em relao
gasolina. Por outro lado, h um potencial de crescimento nas vendas externas do
lcool, que possivelmente ser utilizado para atender parte da demanda mundial por
etanol. O lcool est em expanso por ser um combustvel ainda barato, renovvel e
cujo emprego como alternativa para a matriz energtica mundial est em fase de
crescimento. Esse crescimento pode ser observado pela figura 23 com o resultado
ocorrido no perodo de 1998 at maro de 2007.
68
Hidrlise de Celulose: A hidrlise da celulose produz hexoses (acares com molculas de seis
carbonos, como a glicose) que podem ser fermentadas com facilidade (REVISTA QUMICA, 2007).
69
Espera-se que com a taxa de cmbio atual, o acar VHP fique abaixo de R$
20,00 / saca, lquido para a usina, muito abaixo do custo mnimo estimado de R$
24,50 / saca. Caso o cmbio fosse de R$ 2,50, esse valor saltaria para R$ 25,00 /
saca, ficando acima do custo mnimo estimado (IDEA, 2007). A figura 25 mostra a
exportao de acar do Brasil no perodo de 1998 at maro de 2007.
70
71
72
Hoje tambm j existem os carros tri-flex, que rodam com lcool, gasolina e
GNV (gs natural veicular).
De todos os veculos flexveis vendidos no pas, a Fiat responsvel por 31,3%
desse montante, seguida pela Volkswagen com 28,3%, GM com 25,0%, Ford com
7,4%, Peugeot com 5,4%, Renault com 2,5% e Honda com 0,1% (IDEA, 2007). A
figura 26 mostra com mais detalhes essa distribuio e a figura 27 mostra a venda
de carros flex no Brasil no perodo de 2003 a 2006.
73
74
75
processabilidade
dos
alimentos.
sob
esta
lgica
que,
aps
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
Recomenda-se
que
essas
nove
decises
sejam
91
tomadas
na
ordem
apresentada. Essa metodologia do tipo top-down (de cima para baixo) porque
inicia identificando os principais processos da empresa em que os dados sero
coletados. A viso macro dos processos agrcolas que esto disponveis em uma
Usina de Acar e lcool e as suas respectivas definies foi demonstrada no
captulo 4 deste trabalho. Eles representam as verdadeiras fontes de extrao de
dados agrcolas nessa empresa. Observe que se inicia por fontes consistentes de
extrao de dados, sem perder tempo com fontes de dados que no existem. Nossa
funo como projetistas de DW iniciar por fontes de dados existentes, conforme
demonstrado a seguir (KIMBALL, 1998).
92
93
Foi utilizada na pesquisa a segunda opo (Agrupado por Dia), pois na primeira
opo (Nmero de Viagens por Caminho) o nvel de granularidade era muito baixo,
sendo desnecessrio a quantidade de dados com que seria povoado o banco de
dados, j que no nosso projeto a segunda opo j atenderia as nossas consultas
com boa performance e informaes para a tomada de deciso. J a terceira opo
foi descartada, por no atender as necessidades reais da usina.
Terceiro Ponto: As Dimenses da Tabela de Fatos Produo
94
1:1 ( um para um )
Indica que as tabelas tm relao unvoca entre si. Voc escolhe qual tabela vai
receber a chave estrangeira.
A chave primria da tabela que tem o lado 1 vai para a tabela do lado N. No
lado N ela chamada de chave estrangeira.
Quando tabelas tm entre si relao N:N, necessrio criar uma nova tabela
com as chaves primrias das tabelas envolvidas, ficando assim uma chave
composta, ou seja, formada por diversos campos-chave de outras tabelas. A relao
ento se reduz para uma relao 1:N, sendo que o lado N ficar com a nova tabela
criada.
Uma chave estrangeira um campo, que aponta para a chave primria de outra
tabela. Ou seja, passa a existir uma relao entre essas duas tabelas. A finalidade
da chave estrangeira garantir a integridade dos dados referenciais, pois apenas
sero permitidos valores que supostamente vo aparecer na Base de Dados.
95
96
97
98
99
100
101
102
103
Agora que a estrutura principal do desenho lgico esta completa nossa ateno
de direciona aos aspectos importantes do diagrama fsico que incluem como rastrear
dimenses
de
modificao
lenta,
como
adicionar
agregados,
dimenses
104
105
106
107
8. Carregamento;
9. Processamento de excees;
11. Publicao.
108
109
110
111
112
113
1. Chaves derivadas
2. Chaves de nmero inteiro atribudas sequencialmente.
114
A figura 65 mostra a ferramenta do SQL Server 2000, que foi utilizada para o
carregamento dos dados em massa para o DW.
Essa ferramenta permite a importao dos dados que se encontram em vrios
arquivos com diferentes extenses, por exemplo: TXT, XLS, XML, CSV, entre outras.
capaz tambm de fazer a leitura de dados que esto em outros bancos de dados,
tais como ACCESS e ORACLE, o que a torna uma ferramenta muito til para este
tipo de tarefa.
115
Figura 65 - Ferramenta utilizada para carga dos dados em massa para o DW.
116
Durante uma determinada carga, possvel que no seja necessrio criar novas
chaves de dimenso. Se o agregado de categoria j estiver em uso, ento essa
chave pode ser utilizada (KIMBALL, 1998).
Oitava e Nona Etapa: Carregamento e Processamento de Excees
O carregamento de dados em uma tabela de fatos deve ser feito na forma de
uma operao em massa com o ndice mestre desativado, conforme mostra a figura
66. Como foi mencionado anteriormente, o ndice mestre deve ser segmentvel para
que se possa dar um drop na parte do perodo de tempo mais recente e reconstru-lo
aps o carregamento dos dados. Ser muito mais rpido executar uma carga em
massa do que processar os registros um por vez usando as instrues SQL para
INSERT ou UPDATE.
117
118
119
120
121
Idealmente, pode-se imaginar que o dado deveria apenas ser convertido para
padronizao de medidas, porm existem valores incorretos nas bases de dados
transacionais, os quais no podem ser propagados, principalmente no momento em
que sero analisados, muitas vezes comparativamente.
Como exemplo, existem campos de preenchimento obrigatrio, com valores
que no existem na tabela relacionada, como Safra. Este campo foi adicionado pelo
administrador do projeto quando os dados eram levados para o DW.
Alm disso, a limpeza necessria porque os dados normalmente advm de
uma fonte muitas vezes desconhecida, concebida h muito tempo, contendo muito
lixo e inconsistncia, porque o interesse de cada usurio ao preencher os dados
relativos a qualquer assunto especfico a este.
Por isso, nessa fase do DW, fez-se a limpeza dos dados, para haver
compatibilidade entre os mesmos. O processo de limpeza no estar completo sem
que se possam livrar os dados de problemas que, por algum motivo, passaram
despercebidos
nos
sistemas
de
origem,
tais
como:
cdigos
invlidos
122
123
124
6 - Concluso
A cana-de-acar j matria-prima de produtos reconhecidamente importantes
(acar e lcool), mas ainda h um potencial extraordinrio a ser extrado dos
canaviais. Estima-se que ainda utilizamos muito pouco da energia disponvel na
cana, um tero apenas. O restante est concentrado nas pontas das folhas e no
prprio bagao, que podem ser transformados em energia eltrica e derivados que
esto sendo desenvolvidos graas ao investimento em pesquisa.
O investimento em pesquisa ser o diferencial para agregar valor ao
agronegcio da cana e tambm abrir mercados. A discusso sobre o aquecimento
global deu a largada para a busca de alternativas energticas e solues que
minimizem os impactos sobre o meio ambiente.
Uma outra informao que chama muito a ateno com relao participao
cada vez maior dos carros flex-fuel que rodam com lcool, gasolina ou a mistura de
ambos na produo brasileira, hoje perto dos 90%, impulsiona o consumo do lcool
no pas.
A implantao da tecnologia de DW, em usinas de acar e lcool do setor
sucroalcooleiro, de qualquer porte, possibilita a busca e interpretao de
informaes armazenadas, garantindo maior acuricidade nas tomadas de deciso,
permite estabelecer uma aproximao integrada e colaborativa para capturar, criar,
organizar e usar todos os ativos de informao de uma empresa, consegue
antecipar as mudanas bruscas no mercado, conhecer o negcio, ter uma viso
clara sobre novos negcios, auxilia na implementao de novas ferramentas
gerenciais, ter conhecimento sobre novas tecnologias, produtos ou servios que
possam afetar direta e indiretamente o seu negcio.
Ganhos com produtividade, rendimento e melhorias nos processos de negcio
de uma usina de acar e lcool so outros exemplos de como a tecnologia da
informao pode representar um enorme diferencial a ser explorado pela alta
administrao da empresa.
Os investimentos em um SAD podem realmente contribuir para o sucesso das
usinas de acar e lcool, uma vez que a mesma passa a ser aplicada em favor da
competitividade empresarial.
125
oportunidades
de
melhoria
dentro
da
organizao,
projetando
certas
126
de
consultas
personalizadas,
incluso
somente
dos
dados
maiores
dificuldades
encontradas
pelo
pesquisador
durante
de
Dados
utilizado
para
armazenamento
das
informaes
127
Referncias Bibliogrficas
AQUARONI, L.M.; CAZARINI, E.W. (2001) Fatores Chaves de Sucesso Aplicados
ao Processo Decisrio Organizacional com o uso do SAD. In: Encontro Nacional
de Engenharia de Produo - XXI ENEGEP, 2001, Salvador, Bahia.
128
COREY, M.; ABBEY, M.; ABRAMSON, I.; TAUB, B. (2001) Oracle 8i data
warehouse. Traduo Joo Tortello. Rio de Janeiro: Campus.
129
FREIRE, J.E.; SEIXAS, J.A.; CAZARINI, E.W. (2001) Uma Nova Arquitetura de
Sistema de Apoio Deciso. In: Encontro Nacional de Engenharia de Produo XXI ENEGEP, 2001, Salvador, Bahia.
GRIGORI, D.; CASATI, F.; CASTELLANOS, M.; DAYAL, U.; SAYAL, M.; SHAN,
M.C. (2004) Business Process Intelligence. Computers in Industry, V.53, P.324343.
HOLANDA, V.B; RICCIO, E.L. (2001) A Utilizao da Pesquisa-Ao para
Perceber e Implementar Sistemas de Informaes Empresariais. 13th Asian
Pacific Conference on International Accounting Issues. Rio de Janeiro, Outubro.
130
and
Return
on
Investment.
Disponvel
em:
131
132
RIVAS, I.T.; RIVERA, M.R.; LIZAMA, E.R. (2007) Una metodologa para sectorizar
pacientes en el consumo de medicamentos aplicando datamart y datamining
en un hospital. Ind. data v.10 n.1 Lima ene./jun. 2007.
SEIXAS, J.A. (2000) Um estudo sobre uso do data warehouse para Auxiliar o
tratamento da informao no sistema produtivo: um estudo de caso em uma
empresa no setor agroindustrial. Dissertao (Mestrado) - Escola de Engenharia
de So Carlos - Universidade de So Paulo, So Carlos, 2000.
TARAPANOFF, K.; MENDES, M.D.; JUNIOR, R.H.A. (1995) Tcnicas para tomada
de deciso nos sistemas de informao. Braslia: Thesaurus, 1995.
133
134
Bibliografia Complementar:
ANFAVEA
(2007).
Associao
Nacional
dos
Fabricantes
de
Veculos
das
Organizaes
Disponvel
em:
http://www.revistacanavieiros.com.br/canavieiro/Rev_Canavieiros_Abril/Default.html
IEA
(2007).
Instituto
de
Economia
Agrcola.
Disponvel
em:
135
em:
http://www.quimica.com.br/revista/qd417/alcool1.htm
Acesso
em:
07/12/2007.
Anexos
ANEXOS
Anexos
O SQL do Anexo - 1 retorna a informao referente produo de toneladas de cana por ano, safra, ms,
fundo agrcola, talho e variedade de cana. A consulta permite a realizao de diversos filtros utilizando-se
desses parmetros, ou seja, possvel saber a produo de toneladas de cana referente a um fundo agrcola
ou a uma variedade de cana em especfico e realizar o cruzamento dessas informaes em uma nica consulta.
O retorno das informaes pode se referir a vrios perodos de tempo, o que antes no era possvel, utilizando o
ambiente existente na usina.
Anexos
O SQL do Anexo - 2 retorna a informao referente a produtividade agrcola por ano/safra, fundo agrcola,
tipo de solo, variedade de cana, estgio de corte e talho. A consulta permite diversos filtros utilizando-se
desses parmetros, fazendo a extrao da informao referente a histricos de vrios anos de safra e
permitindo o cruzamento dessas informaes em uma nica consulta, o que antes no era permitido pelo
ambiente existente na Usina. Nesta consulta possvel identificar o rendimento de uma variedade de cana em
determinado fundo agrcola, ou em determinado tipo de solo, ou em determinado tipo de corte, ou seja,
possvel fazer o cruzamento da informao de diversas maneiras.
Anexos
O SQL do Anexo - 3 retorna a informao referente ao preo mdio da tonelada de cana nos anos e meses
de safra. O faturamento mdio mensal tambm uma informao que a consulta disponibiliza ao gerente.
A consulta permite utilizar os parmetros ano e ms, referente a histricos de vrios anos de safra e
permitindo o cruzamento dessas informaes em uma nica consulta (Ex: Comparar o preo mdio e
faturamento por tonelada de cana referente ao ms de maio de todas as safras).
A produo total de toneladas de cana e o faturamento mdio por tonelada de cana do perodo so
mostrados logo abaixo da consulta utilizando o comando COMPUTE, como um resumo das informaes.
Utilizando estas duas informaes, o gerente consegue chegar ao preo mdio da tonelada de cana do perodo,
de acordo com os parmetros da consulta.
Anexos
ANEXO - 4 ( Questes com Relao aos Dados Tecnolgicos: FIBRA, PC, POL
e ATR ) Exemplo: PC
CREATE PROCEDURE MEDIA_PC_MENSAL
@SAFRA_INI VARCHAR(5), @SAFRA_FIM VARCHAR(5), @MES_INI VARCHAR(2), @MES_FIM VARCHAR(2),
@FUNDO_INI VARCHAR(5), @FUNDO_FIM VARCHAR(5), @VAR_INI VARCHAR(2), @VAR_FIM VARCHAR(2) AS
SELECT
A.MES, SUM(CASE WHEN A.PC_POR_TON = 0.00 THEN A.PROD_TON ELSE 0.00 END) AS TON_SEM_ANALISE,SUM(CASE
WHEN A.PC_POR_TON <> 0.00 THEN A.PROD_TON ELSE 0.00 END) AS TON_ANALISADAS,SUM(A.PROD_TON) AS
TONELADAS,SUM(A.PC_POR_TON * A.PROD_TON) AS TONELADAS_PC,SUM(A.PC_POR_TON * A.PROD_TON) / SUM(CASE
WHEN A.PC_POR_TON <> 0.00 THEN A.PROD_TON END) AS PC_MEDIA
FROM
DIMENSAO_FATO A
WHERE
GROUP BY A.MES
ORDER BY A.MES
Vrios mtodos analticos padro so disponveis para determinar o pico de maturidade ou qualidade para
que a cana seja colhida no tempo certo. Sem tal anlise vrios agricultores tambm colhem a cana baseada na
idade do cultivo e aparncia. s vezes os agricultores colhem o cultivo mesmo antes de esse estar totalmente
maduro por causa da necessidade de suprir cana s moendas o mais cedo possvel. Para que possa fornecer
matria-prima para a destilaria durante toda a safra, que dura em torno de seis meses, necessrio que a
lavoura de cana-de-acar, tenha variedades precoces, mdias e tardias, isto quer dizer, variedades em que a
maturao ocorra no incio, meio e fim da safra. O procedimento em SQL do Anexo - 4 retorna as informaes da
curva de maturao ou pureza da cana de acordo com os parmetros informados (Safra, Ms, Fundo Agrcola e
Variedade de Cana).
Anexos
VARCHAR(6),
@ANOMES_FIM
@FUNDO_INI
VARCHAR(5),
@FUNDO_FIM
VARCHAR(6),
VARCHAR(5),
@ORIGEM_INI
VARCHAR(25),
@ORIGEM_FIM
VARCHAR(25)
AS
DECLARE @TOTAL NUMERIC(19,2)
SELECT
@TOTAL = SUM(VL_TOTAL)
FROM
GASTOS_FUNDO_AGRICOLA
WHERE
ANO+MES BETWEEN @ANOMES_INI AND @ANOMES_FIM AND COD_FUNDO BETWEEN @FUNDO_INI AND @FUNDO_FIM
SELECT
@TONELADAS = SUM(PROD_TON)
FROM
DIMENSAO_FATO
WHERE
ANO+MES BETWEEN @ANOMES_INI AND @ANOMES_FIM AND COD_FUNDO BETWEEN @FUNDO_INI AND @FUNDO_FIM
SELECT
TON,SUM(VL_TOTAL)/@TONELADAS
FROM
AS 'R$/TON'
GASTOS_FUNDO_AGRICOLA
WHERE ANO+MES BETWEEN @ANOMES_INI AND @ANOMES_FIM AND COD_FUNDO BETWEEN @FUNDO_INI AND
@FUNDO_FIM AND ORIGEM BETWEEN @ORIGEM_INI AND @ORIGEM_FIM
GROUP BY GRUPO_PROCESSOS
ORDER BY GRUPO_PROCESSOS
O procedimento em SQL do Anexo - 5 retorna as informaes com relao aos custos agrcolas por
processo (Plantio, Tratos, Colheita, entre outros) de acordo com os parmetros informados (Ano, Fundo Agrcola
e Origem da Cana: Prpria ou Fornecedor). A consulta tambm retorna as toneladas de cana entregues no
perodo, ou seja, possvel encontrar o custo por tonelada de cana de cada processo respectivamente.
Anexos
WHERE
YEAR( '01/01/'+ SUBSTRING(SAFRA,1,2) )
BETWEEN YEAR( '01/01/'+ SUBSTRING('" & Parmetro_1 & "',1,2) )
AND YEAR( '01/01/'+ SUBSTRING('" & Parmetro_2 & "',1,2))
AND COD_FUNDO BETWEEN '" & Parmetro_3 & "' AND '" & Parmetro_4 & "'
AND COD_TALHAO BETWEEN '" & Parmetro_5 & "' AND '" & Parmetro_6 & "'
AND STATUS BETWEEN '" & Parmetro_7 & "' AND '" & Parmetro_8 & "'
ORDER BY
YEAR( '01/01/'+ SUBSTRING(SAFRA,1,2) ),2,3"
O SQL do Anexo - 6 realiza um comparativo entre o rendimento por tonelada de cana previsto e o realizado
por fundo agrcola e seus respectivos talhes de cana durante o perodo de safra. Conforme as informaes vo
sendo importadas mensalmente para o DW, o gerente agrcola pode por meio desta consulta verificar se o que
estava planejado est ocorrendo durante o perodo de safra.
Esta consulta pode ser realizada com uma viso geral da safra ou pode ser feita uma comparao analtica de
cada fundo agrcola, utilizando os parmetros safra, fundo agrcola, talho e status do talho (Encerrado ou em
Processo).
Anexos
@CORTE1 FLOAT,
@CORTE2 FLOAT,
@CORTE3 FLOAT,
@CORTE4 FLOAT,
@CORTE5 FLOAT,
@PREO_SAFRA FLOAT,
@PRECO_SAFRA1 FLOAT,
@PRECO_SAFRA2 FLOAT,
@PRECO_SAFRA3
FLOAT,
@PRECO_SAFRA4 FLOAT
AS
--TRANSFERE A AREA TOTAL DO TALHAO PARA A AREA DE CORTE ONDE O ESTAGIO = '00 - PLANTA'
UPDATE #DIMENSAO_TESTE
SET AREA_CORTE_TALHAO = AREA_TOTAL_TALHAO
WHERE ESTAG_TALHAO = '00'
CASE
WHEN ESTAG_TALHAO = '00' THEN 0.00
WHEN ESTAG_TALHAO = '01' THEN AREA_CORTE_TALHAO * @CORTE1
WHEN ESTAG_TALHAO = '02' THEN AREA_CORTE_TALHAO * @CORTE2
WHEN ESTAG_TALHAO = '03' THEN AREA_CORTE_TALHAO * @CORTE3
WHEN ESTAG_TALHAO = '04' THEN AREA_CORTE_TALHAO * @CORTE4
WHEN ESTAG_TALHAO = '05' THEN AREA_CORTE_TALHAO * @CORTE5
WHEN ESTAG_TALHAO > '05' THEN AREA_CORTE_TALHAO * 0.00
END AS NOVA_PRODUCAO_TONELADAS,
CASE
WHEN ESTAG_TALHAO = '00' THEN 0.00
WHEN ESTAG_TALHAO = '01' THEN @CORTE1
WHEN ESTAG_TALHAO = '02' THEN @CORTE2
WHEN ESTAG_TALHAO = '03' THEN @CORTE3
WHEN ESTAG_TALHAO = '04' THEN @CORTE4
WHEN ESTAG_TALHAO = '05' THEN @CORTE5
WHEN ESTAG_TALHAO > '05' THEN 0.00
END AS NOVA_ESTIM_TON_HA
INTO
#ESTIMATIVA_PROXIMA_SAFRA
Anexos
FROM
#DIMENSAO_TESTE
GROUP BY
CONVERT(CHAR(4),YEAR( '01/01/'+ SUBSTRING(SAFRA_TALHAO,4,2))),
COD_FUNDO,
COD_TALHAO,
ESTAG_TALHAO,
AREA_CORTE_TALHAO
ORDER BY 2,3
CASE
WHEN ESTAG_TALHAO = '00' THEN 0.00
WHEN ESTAG_TALHAO = '01' THEN AREA_CORTE_TALHAO * @CORTE1
WHEN ESTAG_TALHAO = '02' THEN AREA_CORTE_TALHAO * @CORTE2
WHEN ESTAG_TALHAO = '03' THEN AREA_CORTE_TALHAO * @CORTE3
WHEN ESTAG_TALHAO = '04' THEN AREA_CORTE_TALHAO * @CORTE4
WHEN ESTAG_TALHAO = '05' THEN AREA_CORTE_TALHAO * @CORTE5
WHEN ESTAG_TALHAO > '05' THEN AREA_CORTE_TALHAO * 0.00
END AS NOVA_PRODUCAO_TONELADAS,
CASE
WHEN ESTAG_TALHAO = '00' THEN 0.00
WHEN ESTAG_TALHAO = '01' THEN @CORTE1
WHEN ESTAG_TALHAO = '02' THEN @CORTE2
WHEN ESTAG_TALHAO = '03' THEN @CORTE3
WHEN ESTAG_TALHAO = '04' THEN @CORTE4
WHEN ESTAG_TALHAO = '05' THEN @CORTE5
WHEN ESTAG_TALHAO > '05' THEN 0.00
END AS NOVA_ESTIM_TON_HA
INTO
#ESTIMATIVA_PROXIMA_SAFRA_1
FROM
#DIMENSAO_TESTE_1
Anexos
GROUP BY
CONVERT(CHAR(4),YEAR( '01/01/'+ SUBSTRING(ANO_SAFRA,3,2))),
COD_FUNDO,
COD_TALHAO,
ESTAG_TALHAO,
AREA_CORTE_TALHAO
ORDER BY 2,3
#ESTIMATIVA_PROXIMA_SAFRA_2
FROM
#DIMENSAO_TESTE_2
GROUP BY
CONVERT(CHAR(4),YEAR( '01/01/'+ SUBSTRING(ANO_SAFRA,3,2))),
COD_FUNDO,
COD_TALHAO,
ESTAG_TALHAO, AREA_CORTE_TALHAO
ORDER BY 2,3
Anexos
#ESTIMATIVA_PROXIMA_SAFRA_3
FROM
#DIMENSAO_TESTE_3
GROUP BY
CONVERT(CHAR(4),YEAR( '01/01/'+ SUBSTRING(ANO_SAFRA,3,2))), COD_FUNDO,
COD_TALHAO, ESTAG_TALHAO,
AREA_CORTE_TALHAO
ORDER BY 2,3
--CRIA TABELA AUXILIAR
SELECT *INTO #DIMENSAO_TESTE_4
FROM #ESTIMATIVA_PROXIMA_SAFRA_3
Anexos
CASE
WHEN ESTAG_TALHAO = '00' THEN 0.00
WHEN ESTAG_TALHAO = '01' THEN AREA_CORTE_TALHAO * @CORTE1
WHEN ESTAG_TALHAO = '02' THEN AREA_CORTE_TALHAO * @CORTE2
WHEN ESTAG_TALHAO = '03' THEN AREA_CORTE_TALHAO * @CORTE3
WHEN ESTAG_TALHAO = '04' THEN AREA_CORTE_TALHAO * @CORTE4
WHEN ESTAG_TALHAO = '05' THEN AREA_CORTE_TALHAO * @CORTE5
WHEN ESTAG_TALHAO > '05' THEN AREA_CORTE_TALHAO * 0.00
END AS NOVA_PRODUCAO_TONELADAS,
CASE
WHEN ESTAG_TALHAO = '00' THEN 0.00
WHEN ESTAG_TALHAO = '01' THEN @CORTE1
WHEN ESTAG_TALHAO = '02' THEN @CORTE2
WHEN ESTAG_TALHAO = '03' THEN @CORTE3
WHEN ESTAG_TALHAO = '04' THEN @CORTE4
WHEN ESTAG_TALHAO = '05' THEN @CORTE5
WHEN ESTAG_TALHAO > '05' THEN 0.00
END AS NOVA_ESTIM_TON_HA
INTO
#ESTIMATIVA_PROXIMA_SAFRA_4
FROM
#DIMENSAO_TESTE_4
GROUP BY
CONVERT(CHAR(4),YEAR( '01/01/'+ SUBSTRING(ANO_SAFRA,3,2))),
COD_FUNDO,
COD_TALHAO,
ESTAG_TALHAO,
AREA_CORTE_TALHAO
ORDER BY 2,3
SELECT
ANO_SAFRA,SUM(AREA_CORTE_TALHAO) AS AREA_CORTE, SUM(NOVA_PRODUCAO_TONELADAS) AS
NOVA_PRODUCAO_TONELADAS, SUM(NOVA_PRODUCAO_TONELADAS) / SUM(AREA_CORTE_TALHAO) AS
NOVA_ESTIM_TON_HA, @PRECO_SAFRA AS PRECO, SUM(NOVA_PRODUCAO_TONELADAS) * @PRECO_SAFRA AS
FATURAMENTO
FROM
#ESTIMATIVA_PROXIMA_SAFRA
WHERE
ESTAG_TALHAO <> '00'
GROUP BY
ANO_SAFRA
UNION
Anexos
SELECT
CONVERT(CHAR(4),ANO_SAFRA + 1) AS ANO_SAFRA, SUM(AREA_CORTE_TALHAO) AS AREA_CORTE,
SUM(NOVA_PRODUCAO_TONELADAS) AS NOVA_PRODUCAO_TONELADAS,
SUM(NOVA_PRODUCAO_TONELADAS) / SUM(AREA_CORTE_TALHAO) AS NOVA_ESTIM_TON_HA,@PRECO_SAFRA1 AS
PRECO, SUM(NOVA_PRODUCAO_TONELADAS) * @PRECO_SAFRA1 AS FATURAMENTO
FROM
#ESTIMATIVA_PROXIMA_SAFRA_1
WHERE
ESTAG_TALHAO <> '00'
GROUP BY
ANO_SAFRA
UNION
SELECT
CONVERT(CHAR(4),ANO_SAFRA + 2) AS ANO_SAFRA, SUM(AREA_CORTE_TALHAO) AS AREA_CORTE,
SUM(NOVA_PRODUCAO_TONELADAS) AS NOVA_PRODUCAO_TONELADAS, SUM(NOVA_PRODUCAO_TONELADAS) /
SUM(AREA_CORTE_TALHAO) AS NOVA_ESTIM_TON_HA, @PRECO_SAFRA2 AS
PRECO,SUM(NOVA_PRODUCAO_TONELADAS) * @PRECO_SAFRA2 AS FATURAMENTO
FROM
#ESTIMATIVA_PROXIMA_SAFRA_2
WHERE
ESTAG_TALHAO <> '00'
GROUP BY
ANO_SAFRA
UNION
SELECT
CONVERT(CHAR(4),ANO_SAFRA + 3) AS ANO_SAFRA, SUM(AREA_CORTE_TALHAO) AS AREA_CORTE,
SUM(NOVA_PRODUCAO_TONELADAS) AS NOVA_PRODUCAO_TONELADAS, SUM(NOVA_PRODUCAO_TONELADAS) /
SUM(AREA_CORTE_TALHAO) AS NOVA_ESTIM_TON_HA, @PRECO_SAFRA3 AS PRECO,
SUM(NOVA_PRODUCAO_TONELADAS) * @PRECO_SAFRA3 AS FATURAMENTO
FROM
#ESTIMATIVA_PROXIMA_SAFRA_3
WHERE
ESTAG_TALHAO <> '00'
GROUP BY
ANO_SAFRA
UNION
SELECT
CONVERT(CHAR(4),ANO_SAFRA + 4) AS ANO_SAFRA, SUM(AREA_CORTE_TALHAO) AS AREA_CORTE,
SUM(NOVA_PRODUCAO_TONELADAS) AS NOVA_PRODUCAO_TONELADAS,
SUM(NOVA_PRODUCAO_TONELADAS) / SUM(AREA_CORTE_TALHAO) AS NOVA_ESTIM_TON_HA, @PRECO_SAFRA4 AS
PRECO, SUM(NOVA_PRODUCAO_TONELADAS) * @PRECO_SAFRA4 AS FATURAMENTO
FROM
#ESTIMATIVA_PROXIMA_SAFRA_4
WHERE
ESTAG_TALHAO <> '00'
GROUP BY
ANO_SAFRA
ORDER BY
ANO_SAFRA
Anexos
Anexos
VARCHAR(5),
@SAFRA_FIM
VARCHAR(5)
AS
DECLARE @VAR
SELECT
NUMERIC(19,2)
INTO
#CLASSIF_PERCENT
FROM
WHERE
GROUP BY
VAR_TALHAO,B.DESC_VAR) TBL
ORDER BY
5 DESC
SELECT
*FROM #CLASSIF_PERCENT
O procedimento SQL do Anexo - 8 retorna a informao sobre a produo de toneladas de cana por
variedade de cana, em ordem decrescente de toneladas e o seu percentual em relao ao total de toneladas
previstas para a safra. Por intermdio desta consulta, o gerente consegue identificar quais sero as variedades
de cana que vo entregar a maior quantidade de matria prima durante a safra. Sabendo quais so estas
variedades, o diretor pode utiliz-las na consulta SQL abaixo e realizar vrias simulaes, como por exemplo, se
concentrar nas maiores variedades para uma aplicao de fertilizantes e simular uma nova produo de
toneladas aps a aplicao destes fertilizantes.
Anexos
SELECT
TONELADAS = SUM(CASE WHEN VAR_TALHAO IN ('75','44','49','63','74') THEN TONELADAS * (1 + CAST(REPLACE('5.00',',','.')
AS DECIMAL(10,5)) / 100) ELSE TONELADAS END)
FROM
PROD_ESTIM_FUNDO
WHERE
COD_FUNDO >= '002.6' AND COD_FUNDO <= '923.4'
AND SAFRA_TALHAO = '07/08'
O SQL acima retorna a informao de toneladas de cana referente a uma simulao que efetuada
alterando o rendimento de at cinco variedades de cana simultaneamente. Pode ser efetuada uma consulta
global ou em apenas um fundo agrcola em especfico. No que seja uma regra, porm, para uma melhor
aplicao e utilizao desta consulta, ela deve ser efetuada com os resultados obtidos da consulta do Anexo - 8.