Escolar Documentos
Profissional Documentos
Cultura Documentos
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.