Você está na página 1de 15

GESTO DO CONHECIMENTO

WEBAULA 2
Unidade 1 Gesto da Informao e Conhecimento

Seja bem-vindo disciplina Gesto do Conhecimento.


A partir de agora voc vai iniciar os estudos da primeira webaula da Unidade 2.
Eu sou a professora Merris Mozer, estaremos juntos no decorrer do semestre nesta
disciplina.
Sou graduada em Tecnologia em Processamento de Dados com Licenciatura plena em
Matemtica, especializao em Metodologia e Didtica de Ensino e ainda possuo
especializao em Consultoria e Estratgia Empresarial.
Assim que me formei em Tecnologia em Processamento de Dados, j iniciei
especializao nas reas educacional e empresarial. Na rea educacional, visando
contribuir para a formao de vocs, alunos, e na rea empresarial para melhor
desenvolver os sistemas empresariais, contribuindo tambm para a educao, onde
adquiri muitas experincias. Sou uma pessoa que busca sempre novos desafios e
tambm novos conhecimentos, por isso atualmente curso mestrado acadmico em
Metodologia para o ensino de linguagens e suas tecnologias.
Ento, vamos comear?

Tecnologia da Informao: Estudo das Tecnologias Emergentes Adotadas no


Ambiente Organizacional

Nos dias atuais, a Tecnologia da Informao (TI) est presente no dia a dia das
organizaes, sejam elas pblicas ou privadas, atuando de forma eficiente na gesto
da informao, apoiando as decises e, principalmente, tornando-se um fator
competitivo no mercado para os que conseguem extrair todo o seu potencial.
Com o crescimento do mercado, a tecnologia tornou-se primordial no processamento
de grandes volumes de dados, assim as organizaes esto saindo das reas

operacionais e entrando em questes como o desempenho para obteno das


informaes.
O Business Intelligence (BI) apoia as organizaes no acesso s informaes
sintetizadas de maneira mais simples para a tomada de deciso. O conceito de BI pode
ser explicado como um vasto conjunto de aplicaes de apoio tomada de deciso que
permitem um acesso rpido, partilhado e interativo das informaes, assim como a sua
anlise e manipulao; por meio das ferramentas de BI, os utilizadores podem
descobrir relaes e tendncias e transformar grandes quantidades de informao em
conhecimento til (SEZES, OLIVEIRA e BAPTISTA, 2006). O sistema de BI no existe
sozinho, pois depende de fontes de dados externas. A Figura 1 mostra como este
sistema est estruturado.

Figura 1 Estrutura de um sistema de BI

Na Figura 1 possvel perceber a relao do processo de ETL com o Data Warehouse,


Data Marts, Data Mining, modelagem multidimensional e OLAP. Cada um desses
conceitos pode ser estudado nas sees seguintes.
Acompanhe

nosso

plano

de

estudo!

Seo 1 ETL (Extract Transform Load)

Entendendo ETL, vamos conhecer um pouco sobre o assunto?


A sigla ETL significa Extract Transform Load, traduzindo para o portugus, Extrao,
Transformao e Carga. A etapa de ETL pode ser visualizada como extrair os dados do
ambiente de operaes para que a carga no ambiente de Data Warehouse (DW) seja
feita. Porm, no uma atividade relativamente simples, pois implantar um BI significa
selecionar os dados importantes de vrias bases de dados heterogneas e transferir
para um modelo definido no DW.
Segundo Sezes, Oliveira e Baptista (2006), ETL representa um conjunto de processos
que permite a extrao de dados, reformulao e carregamento para uma nova
aplicao para anlise.

O ciclo ETL envolve trs fases, a saber: extrao, transformao e carga.


a) Extrao: abrange a extrao dos dados de sistemas. Os sistemas, muitas vezes,
contm dados em vrios formatos e precisam ser consolidados para a realizao de
carga no DW. Entre os formatos esto: banco de dados relacionais e arquivos como
HTML, XML etc.
b) Transformao: esta fase envolve ordenao de arquivo, seleo de informaes,
padronizao, clculo, unio de fontes de dados, transposies, divises de um arquivo
CSV e validaes.
c) Carga: representa a carga dos dados no sistema que so carregados no sistema
destino, muitas vezes o DW. Estas cargas so feitas por periodicidade determinada,
seja diria, semanal ou mensal.

As ferramentas de ETL tm como finalidade a realizao de todas as etapas do processo


de ETL. O mercado dispe de diversas ferramentas e, de forma geral, todas atendem
ao processo como um todo, dentre as quais podemos citar: Kettle e Talend Open Studio.
SAIBA
Data
Integration
Data Integration.

MAIS
-

Kettle.

VIDEO
Business Intelligence Component - Extract, Transform, and Load (ETL).
Data
Warehouse
tutorial.
Creatingan
ETL.
ETL - Extract, Transform & Load - Part 1 - convert data from html table to
Excel.
QUESTO

PARA

REFLETIR

Quais so os desafios do ETL?


PARA

DISCUTIR

Colabore com nosso Frum! Pesquise ferramentas open source disponveis no mercado,
analise as suas principais vantagens e desvantagens.
Seo 2 Modelagem Multidimensional

Entendendo Modelagem Multidimensional, vamos conhecer um pouco sobre o


assunto?
Segundo Kimball (2002), a modelagem multidimensional uma prtica de desenho de
banco de dados estruturada para atender os usurios finais. Em sistema de
processamento analtico, o volume de dados pode ser grande e os dados utilizados nas
consultas precisam ser processados de maneira rpida. O desempenho pode ser
melhorado utilizando a redundncia planejada de dados, o que diferente ao falarmos
de modelo racional. O modelo multidimensional atualizado periodicamente de forma
automtica. Umas das principais vantagens que esse modelo possibilita que os
usurios finais atualizem a consulta no banco de dados de forma simples, sem
dependncia da equipe tecnolgica.
Dentre as principais caractersticas esto: respostas imediatas, dados concorrentes,
controle de concorrncias, atualizao em tempo real, dados normalizados e
processamento transacional.

Os componentes de um modelo multidimensional so:

Tabela dimenso: essas tabelas interpretam um modelo do negcio que est em


anlise, sendo chave primria responsvel por garantir a integridade referencial
na tabela fato que possui o relacionamento. Quanto a dimenso, ela
proporciona ao usurio inmeras combinaes e interseces para anlise de
dados, visualizando os dados de diversas formas.
Tabela fato: representa a principal tabela de um modelo multidimensional, em
que as medies numricas de interesse da empresa esto armazenadas. Os
dados a serem analisados so registrados nessa tabela. Projetada contendo uma
chave primria (identifica de forma nica cada registro de uma tabela) e pelas
mtricas para o negcio. A tabela fato deve ser apenas uma unidade do processo
de negcio.
Tabela agregada: sumariza os dados da tabela de fatos, originando uma tabela
com porte menor. Seu objetivo a otimizao do tempo de acesso de consulta a
uma base de dados.
Mtricas: garante a medio de desempenho dos processos do negcio. Essas
mtricas so normalmente volumtricas numricas, permitem operaes (adio,
subtrao e mdias).

Os modelos multidimensionais podem ser implementados em dois tipos (IFRN, [s. d.]):
Modelo Estrela (Star Schema) e Modelo Floco de Neve (Snowflake). O modelo estrela
representado por uma estrutura simples, com poucas tabelas e ligaes bem
definidas, similar ao modelo de negcio, facilitando a leitura e o entendimento. J no
modelo floco de neve, as tabelas dimensionais possuem relao com a tabela de fatos,
porm algumas dimenses relacionam-se somente entre elas, com o objetivo de
normalizar as tabelas dimensionais, reduzindo o espaamento ocupado pelas tabelas
do esquema.
SAIBA

MAIS

Entendendo
a
modelagem
multidimensional.
Artigo SQL Magazine 39 - Mitos e Verdades sobre Modelagem Multidimensional Tpicos
essenciais
para
se
criar
um
modelo
eficiente.
Modelagem multidimensional (SSAS).
VIDEO
INF
4:
What
is
Snowflake
Analysis Services - 11 Star and Snowflake Schemas.
QUESTO

Schema.

PARA

REFLETIR

Quem so os principais beneficirios de uma modelagem multidimensional?


PARA

DISCUTIR

Colabore com nosso Frum! Pesquise as principais vantagens e desvantagens do


Snowflake Schema e Star Schema.
Seo 3 Data Warehouse

Entendendo Warehouse, vamos conhecer um pouco sobre o assunto?


De acordo com Kimball (1998), a globalizao ocasionou uma concorrncia intensa e o
conhecimento primordial para que as organizaes consigam ser vitoriosas nessa
competio de mercado. A fim de garantir esse conhecimento, essencial para as
tomadas de deciso, faz-se necessria a estruturao dos dados de maneira que
melhore o seu entendimento e extrao. O armazenamento dos dados de uma
organizao pode ser feito por meio de um Data Warehouse (DW).
Na literatura existem algumas definies para um DW. A definio de Shams (2001)
trata o DW como uma plataforma que possui os dados organizados e centralizados, de
modo que o usurio possa realizar a extrao de relatrios analticos com alta
complexidade; esses relatrios permitiro um suporte para decises gerenciais. Outra
definio que temos que o DW representa um nico, completo e consistente depsito
de dados alcanados de uma variedade de fontes e gerado para os usurios finais, de
maneira que eles consigam compreend-lo e utiliz-lo em uma determinada
organizao. Abrange um grande banco de dados que registra dados de variadas fontes
para posterior gerao de informaes integradas (DEVLIN, 1997; REZENDE; ABREU,
2000). J para Inmon (1997), um DW pode ser conceituado com um banco de dados
baseados em assunto, integrado, no voltil e varivel no que se refere ao tempo de
apoio s tomadas de decises gerenciais.
A construo de um DW um processo de combinao das informaes de usurios
com os dados que esto disponveis (KIMBALL, 1998). Um DW tem uma estrutura
distinta. O DW responsvel por armazenar informaes sobre os dados que ele possui,
que so os Metadados; a fundamental funo desses metadados prover uma
documentao indispensvel ao projeto de Data Warehouse.
As modelagens entidade-relacionamento e modelagem dimensional podem ser
utilizadas para um projeto lgico de um DW.

De acordo com Navarro (1996), a construo de um DW inicia-se com a identificao


das informaes demandadas na conduo do negcio da organizao: essa etapa
representa a tomada de conhecimento das reais necessidades dos clientes. O
entendimento dos tipos de operaes necessrios para transformar dados oriundos do
ambiente operacional em informaes para suporte deciso essencial para entender
as regras do negcio. As diferentes vises do DW so alcanadas da seguinte forma:
- Anlise das necessidades de informaes dos usurios de nvel gerencial e estratgico.
- Anlise e modelagem dos dados que j apoiam operacionalmente o negcio.
- Anlise das ltimas "Apuraes Especiais".

Toda implementao de um DW abrange trabalho em quatro reas essenciais: anlise


das fontes dos dados, definio da transformao e da integrao dos processos
necessrios para aqueles dados, construo do DW e disponibilizao das ferramentas
que os usurios aplicaro para acessar o DW e extrair as informaes necessrias
(NAVARRO, 1996).
As caractersticas bsicas de um DW so: organizao por assuntos, no voltil,
variao de tempo, metadados e granularidade.
O mercado disponibiliza algumas ferramentas para DW: IBM Banking Data Warehouse,
IBM Retail Data Warehouse e Oracle Database 11g para Data Warehousing.
SAIBA

MAIS

A
Tecnologia
de
Data
Warehouse
nas
organizaes.
Construo de Data Warehouse (DW) e Data Mart (DM).
VIDEO
Data
Warehouse
Tutorial
for
Data Warehousing - Concepts Introduction.
QUESTO

Beginners.

PARA

REFLETIR

Quais so os fatores de sucesso para implantao de um Data Warehouse?


PARA

DISCUTIR

Colabore com nosso Frum! Pesquise as principais ferramentas de mercado para


Warehouse. Levante pontos positivos e negativos e compartilhe com seus colegas.
Seo 4 Data Marts

Entendendo sobre Data Marts, vamos conhecer um pouco sobre o assunto?


A construo de um projeto de Data Warehouse (DW) onerosa e requer um bom
tempo. Essa construo depender, principalmente, do nmero de bases de dados que
sero integrados, interfaces com outros sistemas, integrantes da equipe, tamanho da
empresa etc. (TECHNET, 2012). Considerando essa complexidade, os arquitetos
optaram por construir o DW comeando por departamentos. Contrariamente ao
caminho tradicional, que a construo de um DW e, a partir deste, construir o Data
Marts (DM), inicia-se pelo DM e este alimentar o Data Warehouse.
Data Mart representa uma maneira simples de armazenamento de dados com foco em
um nico assunto (ou rea funcional), tais como vendas, finanas ou marketing. Data
Marts so construdos e controlados por um nico departamento dentro de uma
organizao. Focados em um nico assunto, Data Marts geralmente desenham dados

de apenas algumas fontes. As fontes podem ser sistemas internos operacionais, um


armazenamento central de dados ou dados externos (ORACLE, [s. d.]).
Segundo Kimball e Merz (2000), um Data Mart representa um grupo de tabelas de fatos
juntamente a um grupo de tabelas de dimenso conectadas, que satisfaz s
necessidades de um conjunto particular de negcio.

Os principais passos para construir um Data Mart so (ORACLE, [s. d.]):

Projetar: compreende desde a requisio do Data Mart, passando pela coleta de


informaes sobre os requisitos, at o desenvolvimento das estruturas fsica e
lgica do Data Mart.
Construir: abrange a criao do banco de dados fsico e de todas as estruturas
lgicas que permitiro acesso rpido e eficiente aos dados.
Popular: engloba a extrao dos dados das fontes, como filtr-los, modificar toda
a informao coletada at que ela atinja o formato e o nvel de detalhe almejado
e o resultado seja movido para o Data Mart.
Acessar: envolve a utilizao dos dados armazenados, em forma de consultas,
anlises, criao de relatrios e grficos e publicao. Geralmente, o usurio
utiliza uma interface grfica para consultar o banco de dados e visualizar os
resultados das operaes.
Gerenciar: envolve a manuteno do Data Mart durante todo o seu ciclo de vida.
Realiza-se o controle de acesso, otimizao de performance, gerenciamento do
crescimento do Data Mart e recuperao de falhas.

SAIBA

MAIS

Data
Warehouse
ou
Data
Mart,
por
onde
Data Mart Framework for Production Route Selection.

comear?

VIDEO
Understanding Data Mart | Datawarehousing.
QUESTO

PARA

REFLETIR

Quais so os pontos positivos e negativos na implementao do Data Marts?


PARA

DISCUTIR

Colabore com nosso Frum! Em Empresas que possuem muitos departamentos, a


implementao de Data Marts facilita a disseminao/compartilhamento das
informaes por todos os departamentos? Exponha seu ponto de vista.
Seo 5 - Ferramentas OLAP

Entendendo as ferramentas OLAP, pronto para comear?


Os avanos da tecnologia da informao propiciaram a facilidade de manipulao de
grandes massas de dados nas organizaes.
De acordo com Gouveia et al. (2011), as ferramentas OLAP (Online Analytical
Processing) representam uma soluo desenvolvida considerando a necessidade de
resgate de informaes-chave com o objetivo de proporcionar a facilidade e
flexibilidade para a obter a anlise de dados, isso garante uma eficaz tomada de
decises e gesto de projetos. Foi desenvolvida, principalmente, para o suporte a
diferentes plataformas, incluindo sistemas heterogneos, oferecendo ao usurio final
informaes customizadas de acordo com sua necessidade.

A ferramenta OLAP baseia-se na estrutura cliente/servidor, mas pode ser desenvolvida


de diversas maneiras. Uma das principais caractersticas das ferramentas OLAP
fornecer uma viso conceitual multidimensional dos dados de uma organizao, ou
seja, as informaes podem ser vistas por diferentes perspectivas (DIN, [s. d]). Alm
dessa caracterstica, podemos citar:

Anlise de tendncias: apoios aos usurios na tomada de deciso, provendo a


construo de cenrios.
Busca automtica de dados mais detalhados (que no estejam disponveis no
servidor OLAP): mesmo que os detalhes no sejam importantes na tarefa de
anlise, quando necessrio eles devem ser passveis de busca.
Dimensionalidade genrica.
Calcular e manipular dados por meio de diferentes dimenses.
Visualizao de dados sob diferentes pontos de vista, atravs da rotao do cubo
e da navegao entre os nveis de agregao.
Conjunto de funes e clculos.

Existem duas tecnologias fundamentais para que um cubo multidimensional seja


construdo (SHOSHANI, 1997) (FU; HAMMER, 2000): ROLAP - utiliza banco de dados
relacionais, em que os dados so projetos em tabelas no formato star schema
(esquema de estrelas) ou snowflake schema (esquema flocos de neve); MOLAP - usa
estruturas adaptadas de dados, como matrizes e listas de dimenses associadas ou
bitmaps. Os dados operacionais so extrados e armazenados como agregados nessas
estruturas.

A partir dessas duas tecnologias, existem outras variaes:

HOLAP (OLAP hbrido): representa um OLAP hbrido, combinando as tecnologias


MOLAP e ROLAP por meio de suas principais caractersticas: escalabilidade e
capacidade.
DOLAP (Desktop OLAP): demonstra uma variao OLAP, provendo a portabilidade
de dados e reduo do trfico na rede.
WOLAP (Web OLAP): variante da arquitetura OLAP, utilizando um navegador para
acesso ferramenta.

SOLAP (Spatial OLAP): juno de OLAP com um SIG (sistema de informao


geogrfico), possibilita a navegao por meio de duas abordagens: pela interface
OLAP ou SIG.
O mercado oferece diversas possibilidades de ferramentas OLAP, dentre as quais
citamos nesta unidade: Cognos Business Intelligence Platform, Microstrategy 7i
Platform, Oracle 10g, Applix, Geac, Hyperion BI Platform e Business Objects.

SAIBA

MAIS

Anlise do uso da ferramenta OLAP na melhoria do processo de deciso e suporte


elaborao
de
estratgias.
Aplicao da Ferramenta OLAP em Diferentes Mdulos de um Sistema ERP Melhorando
a Tomada de Deciso.
VIDEO
IBM
Business
Analytics:
Explore
DB2 Web Query: OLAP (analytical) Reporting.
QUESTO

PARA

OLAP.

REFLETIR

Como as ferramentas OLAP auxiliam na tomada de deciso de uma organizao?


PARA

DISCUTIR

Colabore com nosso Frum! Pesquise algumas ferramentas OLAP disponveis no


mercado e apresente seus aspectos positivos e negativos.
Seo 6 - Data Mining

Entendendo Data Mining, vamos comear?


Com o advento da tecnologia, um grande volume de informaes tem sido gerado.
Assim, as organizaes se mostram aptas e eficientes na captura, organizao e
armazenamento de grande quantidade de dados, originados de suas atividades dirias
ou levantamentos cientficos. Porm, o grande desafio a utilizao adequada desses
dados e como transform-los em conhecimentos que possam contribuir para as
atividades rotineiras.
O conceito de Data Mining (em portugus, Minerao de Dados) tem se tornado cada
vez mais reconhecido como uma ferramenta de descoberta de informaes acionveis
em conjuntos de dados. A minerao de dados utiliza a anlise matemtica a fim de
derivar padres e tendncias existentes nos dados. Frequentemente, tais padres no
podem ser descobertos com a explorao de dados tradicional pelo fato de as relaes
serem muito complexas ou por haver muitos dados (MSDN, 2015).

Na literatura o termo minerao de dados possui diversas definies, entre as principais


destacamos:

Processo para extrair ou minerar conhecimento em imensas quantidades de


dados (HAN; KAMBER, 2006).
Permite a anlise estatstica, aprendizados de mquina e gerenciamento de banco
de dados para extrair informaes de grandes sistemas de bancos de dados
(THURAISINGHAM, 2000).
A procura por informao valiosa em banco de dados, representando um esforo
de cooperao entre homens e mquinas no qual as mquinas verificam os dados,
buscam padres e determinam suas metas e os homens projetam a estrutura de
banco de dados, de modo que os problemas sejam descritos e seus objetivos
sejam definidos (SHOLOM et al., 2010).

A minerao de dados faz parte de um processo consideravelmente maior, de pesquisa,


conhecido como KDD (Knowledge Discovery in Database, em portugus Busca de
Conhecimento em Banco de Dados). Esse processo contm uma metodologia que visa
preparar e explorar os dados, interpretar os resultados obtidos e assimilar os
conhecimentos derivados.
Ao falarmos de minerao de dados, pode-se entender que envolve vrios estgios,
sendo que o principal deles a definio clara de seus objetivos. Com essa definio
possvel selecionar quais tcnicas sero utilizadas e como elas sero aplicadas para
atingir o conhecimento.

As tarefas primrias da minerao de dados so:

Clusterizao: refere-se a uma tarefa comum para descrever os dados quando


h determinado nmero finito de categorias ou agrupamentos.
Associao: o papel da associao retornar as semelhanas/afinidades que h
na coleo de itens em um conjunto de registros.
Padres sequenciais: estes padres so alcanados por meio da anlise de um
conjunto de dados.
Dentre as vrias tcnicas de minerao de dados, destacamos: redes neurais,
rvore de deciso, algoritmos genticos, induo de regra, regresso. A seguir,
acompanhe a descrio dessas tcnicas:
Redes neurais: podem ser descritas como estrutura de processamento,
envolvendo a implementao em meios eletrnicos, formadas por um nmero de
unidades interconectadas, em que cada unidade exibe um comportamento
especfico de entrada e/ou sada, estabelecido pela sua funo de transferncia,
pelas interconexes com outras unidades, em um raio de vizinhana (CASTRO;
ZUBEN, 2003).
rvores de deciso: representa um algoritmo de minerao de dados que cria um
guia passo a passo com a forma para determinar a sada de uma nova instncia
de dados. O resultado acontece da seguinte maneira: uma rvore na qual cada
n representa um ponto em que uma deciso deve ser tomada, com base na

entrada, e voc move para os prximos ns at alcanar uma folha que mostre
a sada prevista (IBM, 2010).
Regresso: mtodo estatstico utilizado para mapear os dados para um valor de
previso. As tcnicas lineares e no lineares so utilizadas. Representa uma
forma de estimativa. Envolve a identificao de mtricas e a avaliao de um
item junto s mtricas por meio de especificao de pontuao (EFRAIM et al.,
2008).
Induo de regras: relacionado deteco de tendncias dentro de grupos de
dados ou de "regras" sobre os dados. So demonstradas aos usurios como uma
lista "no encomendada", ou seja, sem que sigam algum critrio
antecipadamente estabelecido. o processo de analisar uma srie de dados e, a
partir deles, gerar padres (LEMOS, 2003).
Algoritmos genticos: responsvel pelo tratamento das possveis solues do
problema como "indivduos" de uma "populao". Nessa tcnica, selecionamos
um conjunto de indivduos como base para a criao de um novo conjunto de
possveis solues. Os critrios de escolha dos indivduos devem ser de alguma
maneira ligados ao valor da funo de aptido. Uma nova gerao criada, sendo
que esses passos so repetidos at que algum critrio de trmino seja satisfeito
(HASSE, 2000).

SAIBA

MAIS

Tcnica de minerao de dados: uma reviso da literatura.


Introduo a Algoritmos de Computao Natural para Minerao de Dados.
LINK
Data
warehouse
moderno.
Integrao de Sistemas de Informao Geogrfica e Ferramentas OLAP.
VIDEO
Insight
Data
Minerao
de
Dados
em
Redes
Neural
Network
Simulator.
Control PID Basado en Algoritmos Genticos .
QUESTO

PARA

Sociais.

REFLETIR

Como a minerao de dados est presente nas rotinas dirias das organizaes? Quais
so as organizaes que mais investem em minerao de dados?

PARA

DISCUTIR

Pesquise mais tcnicas de minerao de dados e colabore com o Frum. E a, podemos


contar com voc?
ARAJO, E. M. T.; BATISTA, M. de L. S.; MAGALHES, T. M. de. OLAP:
Caractersticas, Arquitetura e Ferramentas. Instituto Vianna Jnior. Faculdades Vianna
Jnior. Juiz de Fora/MG. 2007
BACHEGA, S. J.; PEREIRA, A. A.; POLITANO, P. R. Anlise do uso da ferramenta OLAP
na melhoria do processo de deciso e suporte elaborao de estratgias. In: SIMPEP,
XIII.,
2006,
Bauru.
Anais...
Bauru:
[s.n.],
2006.
Disponvel
em:
<http://www.simpep.feb.unesp.br/anais/anais_13/artigos/639.pdf>. Acesso em: 3
maio 2015.
CASTRO, L. N de; ZUBEN, F. J. Von. Redes Neurais Artificiais. s/d. Disponvel em:
<ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ia006_03/topico5_03.pdf>. Acesso
em: 3 maio 2015.
ELIAS, D. Conhecendo a arquitetura de Data Warehouse. 2015. Disponvel em:
<http://corporate.canaltech.com.br/materia/business-intelligence/conhecendo-aarquitetura-de-data-warehouse-19266/>. Acesso em: 2 jul. 2015.
DIN.
2.4.12

OLAP.
s/d.
Disponvel
em: <http://www.din.uem.br/ia/a_multid/mineracao/OLAP.html>. Acesso em: 3 maio
2015.
DEVLIN, B. Data warehouse: from architecture to implementation. Reading: AddisonWesley, 1997.
EFRAIM, T. et al. Business Intelligence: Um enfoque gerencial para a inteligncia do
negcio. Porto Alegre: Bookman, 2008.
FU, L.; HAMMER, J. CubiST: a new algorithm for improving the performance of ad-hoc
OLAP queries. In: ACM international workshop on data warehousing and OLAP, 3.
Proceedings. McLean, USA: ACM Press: New York, 2000. 72-79 p.

GOUVEIA et al. Aplicao da Ferramenta OLAP em Diferentes Mdulos de um Sistema


ERP Melhorando a Tomada de Deciso. Revista Eletrnica de Sistemas de Informao
e
Gesto
Tecnolgica.
v.1.
n.1,
2011.
Disponvel
em:
<http://periodicos.unifacef.com.br/index.php/resiget/article/view/157/15>.
Acesso
em: 3 maio 2015.
IBM. Minerao de dados com o WEKA, Parte 2: Classificao e armazenamento em
cluster.
2010.
Disponvel
em:
<http://www.ibm.com/developerworks/br/opensource/library/os-weka2/>.
Acesso
em: 3 maio 2015.
IFRN.
Data
Warehouse.
s/d.
Disponvel
<http://docente.ifrn.edu.br/josecunha/disciplinas/adbd/pdfs/data-warehouse>.
Acesso em: 3 maio 2015.

em:

HAN, J.; KAMBER, M. Data Mining: Concepts and Techniques. 2006. Disponvel em:
<http://web.engr.illinois.edu/~hanj/bk2/toc.pdf>. Acesso em: 3 maio 2015.
HASSE, M. Minerao de dados usando algoritmos genticos. 2000. 77 f. Dissertao
(Mestrado em Informtica)- Departamento de Informtica, Setor de Cincias Exatas,
Universidade
Federal
do
Paran,
Curitiba,
2000.
Disponvel
em:
<http://dspace.c3sl.ufpr.br/dspace/bitstream/handle/1884/24726/D%20%20HASSE,%20MOZART.pdf?sequence=1>. Acesso em: 3 maio 2015.
INMON, W. H. Como construir o data warehouse. Rio de Janeiro: Campus, 1997.
KIMBALL, R. The Data Warehouse Toolkit: guia completo para modelagem dimensional.
Rio de Janeiro: Campus, 2002.
KIMBAL, R. et al. The Data Warehouse Lifecycle Toolkit: Expert Methods for Designing,
Developing, and Deploying Data Warehouses. John Wiley & Sons, New York, 1998.
KIMBALL, R.; MERZ, R. Data Webhouse: Construindo o Data Warehouse para a Web.
Traduo: Edson Furmankiewicz, Joana Figueiredo. 1. ed. Rio de Janeiro: Campus,
2000. 367p.
KIMBALL, R.; ROSS, M. The Data Warehouse Toolkit. 2 ed. New York, NY, EUA: John
Wiley and Sons, 2002.
LEMOS, P. E. Anlise de Crdito Bancrio com o Uso de Data Mining: Redes Neurais e
rvores de Deciso. 2003. 147 f. Dissertao (Mestrado Cincias)- Ps-Graduao em
Mtodos Numricos em Engenharia, Programao Matemtica, Setor de Tecnologia,
Departamento de Construo Civil e Setor de Cincias Exatas, Departamento de
Matemtica, Universidade Federal do Paran, Curitiba, 2003. Disponvel em:
<http://www.ppgmne.ufpr.br/arquivos/diss/70.pdf>. Acesso em: 9 maio 2015.
MSDN.
Conceitos
de
Minerao
de
Dados.
2014.
Disponvel
em:
<https://msdn.microsoft.com/pt-br/library/ms174949.aspx>. Acesso em: 3 maio
2015.
NAVARRO, M. C. de A. O Que DATA WAREHOUSE. 1996. Disponvel em:
<http://www4.serpro.gov.br/imprensa/publicacoes/tema-1/tematec/1996/ttec27/>.
Acesso em: 3 maio 2015.

OLAP.
Ferramentas
OLAP.
s/d.
Disponvel
<http://docente.ifrn.edu.br/ebertonmarinho/disciplinas/banco-de-dadosii/aulaFerramentasOLAP.pdf>. Acesso em: 3 maio 2015.

em:

ORACLE.
A
Data
Mart
Concepts.
s/d.
Disponvel
em:
<http://docs.oracle.com/html/E10312_01/dm_concepts.htm>. Acesso em: 3 maio
2015.
REZENDE, D. A.; ABREU, A. F. Tecnologia da informao aplicada a sistemas de
informao empresariais: o papel estratgico da informao e dos sistemas de
informao nas empresas. So Paulo: Atlas, 2000.
SEZES, C.; OLIVEIRA, J.; BAPTISTA, M. Business Intelligence. Porto: Sociedade
Portuguesa de Inovao, 2006.
SHAMS, K.; FARISHTA, M. Data Warehousing: Toward knowledge Management. Topics
in Health Information Management, v. 21, n. 3, p. 24-32, 2001.
SHOLOM et al. Fundamentals of Predictive Text Mining. Disponvel em:
<http://115.28.209.159/BIweb/Fundamentals%20of%20Predictive%20Text%20Minin
g.pdf>. Acesso em: 3 maio 2015.
SHOSHANI, A. OLAP and statistical databases: similarities and differences. In: ACM
SIGACT-SOGMOD-SIGART Symposium on principles of database systems, 16.
Proceedings. Tucson, USA: ACM Press: New York, 1997. 185-196 p.
TECHNET.
Data
Warehouse
x
Data
Mart.
s/d.
Disponvel
<http://social.technet.microsoft.com/wiki/pt-br/contents/articles/10274.datawarehouse-x-data-mart.aspx>. Acesso em: 3 maio 2015.

em:

THURAISINGHAM, B. A Primer for Understanding and Applying Data Mining. Disponvel


em:
<https://www.utdallas.edu/~bxt043000/Publications/Journal-Papers/DSDM/J71_A_Primer_for_Understanding_and_Applying_Data_Mining.pdf>. Acesso em: 3
maio 2015.

BARBIERI, C. BI - Business intelligence: modelagem e tecnologia. Rio de Janeiro:


Axcel Books do Brasil, 2001.
LAUDON, K. C.; LAUDON, J. P. Sistemas de informao gerenciais: administrando a
empresa digital. 7.ed. So Paulo: Pearson Prentice Hall, 2007.
OBRIEN, J. A. Sistemas de informao e as decises gerenciais na era da internet. 3.
ed. So Paulo: Saraiva, 2011.
SEZES, C.; OLIVEIRA, J.; BAPTISTA, M. Business Intelligence. Porto: Sociedade
Portuguesa de Inovao, 2006.
TURBAN, E. Business intelligence: um enfoque gerencial para a inteligncia do negcio.
So Paulo: Bookman, 2009.