Data Warehouse (DW)

É uma arquitetura de Banco de Dados com informações de caráter Gerencial voltado para:
Suporte   à   Decisão,   Planejamento   Estratégico,   Análise   do   Comportamento   de   Clientes   e
Análise da Performance de Vendas. Funciona como um Provedor de Informações de uma
Empresa   ou   Instituição,   pois   concentram   todas   as   informações   estratégicas   e   históricas,
extraídas   das   bases   de   dados   transacionais   relativos   aos   Clientes,   Produtos,   Serviços,
Fornecedores e Finanças. A proposta principal do DW é a democratização das informações
para a área de Negócios, através do fácil acesso aos Dados para Análise.
OLAP (On­Line Analytical Processing)
É   a   tecnologia   com   recursos   para   disponibilização   do   suporte   à   Decisão   e   Estratégia   de
Negócio,   obtendo   de   forma   mais   rápida,   consistente   e   interativa   uma   variedade   de
visualizações possíveis da informação, facilitando a Análise Multidimensional. O resultado
dessa   pesquisa   pode   ser   apresentado   de   forma   gráfica   ou   em   formato   de   planilha,   com
funcionalidades   de   drill­down   e   drill­up   (navegação   para   dentro   ou   fora   dos   níveis
hierárquicos das dimensões).
Multidimensional
Multidimensional   (MOLAP):   Os   dados   são   armazenados   em   cubos   dimensionais,   de
diferentes   maneiras   para   analises   e   apresentação.   O   OLAP   multidimensional   resume   as
transações em perspectivas multidimensionais. As consultas são realizadas de maneira rápida,
pratica e intuitiva, facilitando a análise dos gerentes.
Diversas operações, podem ser executadas para realizar analise multidimensional de um cubo,
possibilitando gerar várias perspectivas. As operações mais comuns fornecidas pelo OLAP
são as seguintes (Han & Kamber, 2006):
Diversas operações, podem ser executadas para realizar analise multidimensional de um cubo,
possibilitando gerar várias perspectivas. As operações mais comuns fornecidas pelo OLAP
são as seguintes (Han & Kamber, 2006):
* Drill­Up ou Roll­Up: Operações onde a visualização dos dados percorre as hierarquias de
uma   dimensão,   permitindo   subir   ou   remover.   Analisa   os   dados   em   níveis   de   agregação
progressivamente menos detalhados, ou de maior granularidade, retirando detalhes da análise.
Por exemplo (Figura 1), pode­se observar o resultado da operação Rool­up, onde as 4 cidades:
SP, BH, RS e SC são sumarizadas em regiões: Sul (S) e Sudeste(SE), assim a quantidade de
produtos nas cidades são somadas a fim de se obter o valor correspondente a cada região.
 Figura
1:

Exemplo de operação Rool­up.
Fonte: Adaptado Cynthia Maia (2006).
*   Drill­Down:   Operação   contraria   ao   Drill­Up.   Pode   ser   realizada   descendo   um   nível   na
hierarquia   de  uma   dada   dimensão.   É   possível   obter   uma   informação   mais   detalhada.   Por
exemplo(Figura 2), a operação Drill­Down, mostra dos dados em um nível maior de detalhes,
a visualização da dimensão tempo antes visualizada em semestres passa a ser expandida para
meses, passando a obter valores específicos de vendas de cada produto, a cada mês e cidade.
Figura
2:

Exemplo de operação Drill­down.
Fonte: Adaptado Cynthia Maia.
* Slice e Dice: Projeta valores específicos de uma dimensão. Permitindo cortar o cubo em um
sub cubo, selecionando atributos  em duas ou mais  dimensões. Por exemplo (Figura 3), a
operação   de   dice   é   representada   por   três   operações   slice.   A   primeira   define   apenas   duas
cidades,   SP   e   BH.   A   segunda   restringe   apenas   os   dois   primeiros   trimestres,   T1   e  T2.   A
terceira   mostra   dados   de   apenas   dois   produtos,   Tablet   e   computador.   Como   resultado   da
operação slice, tem­se uma visão restringida de apenas duas dimensões, considerando apenas
as vendas totais da cidade de SP.
Figura
3:

Exemplo de operação Slice e Dice.
Fonte: Adaptado Cynthia Maia (2006).
*   Pivot   ou   Rotate:   A   operação   de   pivot,   permite   mudar   a   orientação   das   dimensões   na
visualização bidimensional dos dados. Por exemplo (Figura 4), mostra a operação pivot na
troca de eixo da visualização bidimensional dos dados, trocando os eixos tempo e item.

Figura 4: Exemplo de operação Pivot.
Fonte: Adaptado Cynthia Maia.
Exemplo
Para a construção do DW para essa rede, vamos imaginar que o problema seja a falta de
informações   para   gerar   estatística   das   lojas   que   mais   vendem,   dos   funcionários   mais
empenhados, dos produtos mais vendidos e até mesmo do período que mais tem movimento.

Na situação hipotética, teríamos que ter no mínimo quatro Dimensões: Funcionário, Produto,
Loja e Data. As Dimensões normalmente possuem muitos campos descritores, porém, neste
exemplo, iremos supor que foram solicitados uma quantidade restrita de campos, apenas para
a melhor compreensão do modelo.
No levantamento das necessidades dos usuários, por exemplo, foram solicitados os seguintes
campos para a análise das informações:

Dimensão Funcionário

Nome, cargo e setor do funcionário.

Dimensão Produto

Nome, descrição e marca do produto.

Dimensão Loja

Nome, cidade, estado, data de inauguração e CEP da loja.

Dimensão Data

Dia, mês, ano, bimestre, trimestre, semestre, feriados e fim de semana da data do registro da
venda.

Fato Vendas

Quantidade e valor de itens vendidos.

Supondo também que todos os campos existem nos sistemas operacionais da empresa, logo o
modelo dimensional resultante teria a seguinte estrutura:
O   modelo   multidimensional   do   exemplo   possui   uma   estrutura simples para   uma   melhor
compreensão. Não está sendo levado em consideração o histórico das Dimensões, que seriam
possíveis com o uso das Surrogate Keys (SK).

O campo “NUMERO_NOTA” (que seria o número da transação) na Fato Vendas se trata de
uma Dimensão Degenerada (Degenerate Dimension), devido ao campo não possuir tabela de
Dimensão correspondente. Ela também serve como parte integrante da chave da Fato Vendas
e   permite   o   agrupamento   dos   produtos   vendidos   em   um   único   documento   (pedido),   pois
apesar de uma compra poder ter vários itens, os dados de cada produto são armazenados
separadamente na Fato.

O modelo do exemplo possui estrutura básica para responder as solicitações hipotéticas do
usuário, como também fazer outras perguntas como: 

Qual a loja que vendeu mais bebidas no último ano?
Qual o trimestre que são vendidos mais produtos?
Qual é o produto mais vendido no período de maior movimento?
Além disso, esse modelo pode fazer inúmeros outros cruzamentos que serão definidos a partir
da visão analítica do usuário, possibilitando a geração de valiosos insights para a organização.
Tudo   isso   de   forma   intuitiva   e   com   a   velocidade   adequada   exigida   pelos   negócios
empresarias.

Por fim, a visão dimensional irá auxiliar as empresas no aprimoramento de seus indicadores
através dos ajustes de seus sistemas internos, além de promover uma nova cultura de análise e
gestão da informação nos diversos níveis da organização.

Referências 

https://corporate.canaltech.com.br/materia/business­intelligence/Conhecendo­o­modelo­
multidimensional­na­pratica/
HAN,J.;   KAMBER,   M.   Data   Mining:   Concepts   and   techniques.   2nd.   Ed.   [S.1.]:   Morgan
Kaufmann, 2006.