Banco de Dados

Arquitetura OLAP

Professor Marcio Victorino 1

Introdução
Aplicações do negócio: constituem as aplicações que dão
suporte ao dia a dia do negócio da empresa, que garantem a
operação da empresa, também chamadas de sistemas de
produção;
Aplicações sobre o negócio: são as aplicações que analisam
o negócio, ajudando a interpretar o que ocorreu e a decidir
sobre estratégias futuras para a empresa - compreendem os
Sistemas de Apoio à Decisão.
Consultas típicas de um SAD são:
Listar a evolução das vendas nos últimos 10 anos;
Listar o fornecedor que não teve mais do que 20% de atrasos nas
últimas 100 entregas.

Professor Marcio Victorino 2

Evolução do Ambiente de Data
Aplicação A

Warehouse
Aplicação B

Aplicação C

Aplicação D

Aplicação E

Professor Marcio
Aplicação F Victorino 3 3
Aplicação A REL 1

Aplicação B REL 2

Aplicação C REL 3

Aplicação D REL 4

REL 5
Aplicação E

REL 6
Professor Marcio
Aplicação F Victorino 4 4
Aplicação A REL 1

Aplicação B REL 2

Aplicação C REL 3

Aplicação D REL 4

REL 5
Aplicação E

REL 6
Professor Marcio
Aplicação F Victorino 5 5
Aplicação A SAD 1

Aplicação B SAD 2

Aplicação C SAD 3

Aplicação D SAD 4

SAD 5
Aplicação E

Professor Marcio
Aplicação F Victorino 6 6 SAD 6
Aplicação A SAD 1

Aplicação B SAD 2

Aplicação C SAD 3

Aplicação D SAD 4

SAD 5
Aplicação E

Professor Marcio
Aplicação F Victorino 7 7 SAD 6
Aplicação A SAD 1

Aplicação B SAD 2

Aplicação C SAD 3

Aplicação D SAD 4

SAD 5
Aplicação E

Professor Marcio
Aplicação F Victorino 8 8 SAD 6
Aplicação A SAD 1

Tecnologia de
Data
Aplicação B SAD 2
Warehousing

Aplicação C SAD 3

Aplicação D SAD 4

SAD 5
Aplicação E

Professor Marcio
Aplicação F Victorino 9 9 SAD 6
Aplicação A

Aplicação B

Aplicação C
DW
DW
ConjuntodedeDados
Conjunto DadosNão DW
NãoVolátil,
Volátil,
Organizado
Aplicação D
Organizado porAssuntos,
por Assuntos,
Integrado,
Integrado,
Variacom
Varia comPassar
PassardodoTempo,
Tempo,
Aplicação E
Suportepara
Suporte paraProcesso
ProcessodedeTomada
Tomada
deDecisão
de DecisãodadaEmpresa
Empresa
Professor Marcio
Aplicação F Victorino 10 10
DW
Organizados por Assuntos:
Refere-se ao fato do DW armazenar informações sobre temas específicos importantes
para o negócio da empresa. Exemplos típicos de temas são: produtos, atividades,
contas, clientes, etc. Em contrapartida, o ambiente operacional é organizado por
aplicações funcionais.
Integração:
Esta característica irá definir a representação única para os dados provenientes dos
diversos sistemas que formarão a base de dados do DW. A maior parte do trabalho na
construção de um DW está na análise dos sistemas operacionais e dos dados que eles
contêm. Como não existem padrões de codificação, cada analista pode definir a
mesma estrutura de dados de várias formas, fazendo com que dados que representam
a mesma informação sejam representados de diversas maneiras dentro dos sistemas
utilizados pela empresa ao longo dos anos.
Variação no Tempo:
Segundo W.H.Inmon todos os dados no DW são precisos em algum instante no tempo,
como eles podem estar corretos somente em um determinado momento, é dito que
esses dados "variam com o tempo".
Não Volátil:
Em um DW não existem alterações de dados, somente a carga inicial e as consultas
posteriores. Ele é definido assim pois as operações a nível de registro em modo on-line
como são os sistemas transacionais, exigem um controle e um processamento muito
grande, fugindo do objetivo principal do DW.

Professor Marcio Victorino 11

Aplicação A

DM
Aplicação B
DM
DM
ColeçãodedeAssuntos
Coleção Assuntosdedeuma
umaÁrea,
Área,
Aplicação C
Organizadopara
Organizado paraApoio
Apoioà àDecisão,
Decisão,
Necessidades de DW
Departamento/
Necessidades de Departamento/ Setor
DM
Setor
Aplicação D

DM
Aplicação E

Professor Marcio
Aplicação F Victorino 12 12
Conceito de Data Warehouse
Data Warehouse, pode ser definido como um banco de
dados especializado, o qual integra e gerencia o fluxo de
informações a partir dos bancos de dados corporativos e
fontes de dados externas à Organização. Um DW oferece os
fundamentos e os recursos necessários para um Sistema de
Apoio a Decisão (SAD) eficiente, fornecendo dados
integrados e históricos que servem desde à alta direção,
que necessita de informações mais resumidas, até as
gerências de baixo nível, onde os dados detalhados
ajudam a observar aspectos mais táticos da
Organização.

Professor Marcio Victorino 13

OLTP x OLAP
A característica simples mais distintiva dos aplicativos OLTP (On-line Transaction
Processing) é que o banco de dados está sendo constantemente atualizado.
Como os dados estão mudando constantemente, o sistema não pode ajudar no
apoio a decisões.
De um ponto de vista prático, OLAP (On-line Analytic Processing) sempre
envolve consultas interativas aos dados, seguindo um caminho de análise através
de múltiplos passos, como, por exemplo, aprofundar-se sucessivamente por
níveis mais baixos de detalhe de um quesito de informação específico. OLAP
envolve capacidades analíticas, incluindo a derivação de taxas, variâncias, etc., e
envolvendo medidas ou dados numéricos através de muitas dimensões, devendo
suportar modelos para previsões, análises estatísticas e de tendências.

Professor Marcio Victorino 14

 Modelagem Dimensional

Modelagem Relacional

Professor Marcio Victorino 15

Modelagem Dimensional (DW)
Modelo Estrela.

GEOGRAFIA
Cod_geografia integer PRODUTO
Nome varchar(10) Cod_produto integer
População integer
Estado char(2) VENDAS Nome varchar(10)
Região char(2) Categoria char(4)
Cod_produto integer
Familia char(4)
Cod_tempo integer
Cod_geografia integer
TEMPO Cod_canal integer
Cod_tempo integer
Quantidade decimal(16,0) CANAL
Faturamento decimal(16,2)
Dia integer Cod_canal integer
Mês integer
Ano integer Tipo varchar(10)
Dia_semana char(3)

Professor Marcio Victorino 16

Modelagem Dimensional (DW)
Modelo Flocos de Neve (Snowflake):
Incorpora tabelas dimensionais principais, que têm uma conexão
lógica direta em fact tables através de suas chaves primárias, e
tabelas menores como 'extensões', que são usadas para armazenar
descrições e decodificação para chaves e códigos nas tabelas
maiores.
As tabelas dimensionais principais parecem tabelas dimensionais em
estrela, exceto pelo fato das colunas atributo conterem chaves para
as tabelas extensões em lugar de descrições de texto. As tabelas
'extensões' são conectadas com a tabela dimensional principal (ou
com outras tabelas 'extensões') através de suas chaves primárias, e
contêm texto decodificado e descrições de valores chave ou
codificados, armazenados na tabela dimensional principal.

Professor Marcio Victorino 17

Modelagem Dimensional (DW)

Embora aceitável, a normalização de dimensões não é recomendável por

razões de desempenho e facilidade de uso:
A quantidade de tabelas torna a apresentação do modelo mais complexa.
Otimizadores do SGBD têm mais dificuldade com esquema complexo.
A economia de espaço em disco é insignificante em relação ao DW
completo.
Diminui a habilidade de usuários de navegar na dimensão.

Professor Marcio Victorino 18

 DW
Procedimentos
Conjunto de Dados NãoETL
Volátil,
Extração
Organizado por Assuntos,
Integrado,
Fontes Externas Transformação
Varia com Passar do Tempo,
Carga
Suporte para Processo de Tomada
de Decisão da Empresa

Sistema 1
Procedimentos
Procedimentos ETL
ETL

Procedimentos
ETL Área de
Sistema 2
Organização
de Dados
Procedimentos Procedimentos
ETL ETL

Sistema n Dados Não

Professor Marcio Victorino Estruturados
19
 Fontes Externas

Ferramentas
de
Consulta OLAP
Sistema 1
Procedimentos
Procedimentos ETL
ETL
DW

Procedimentos
ETL Área de
Sistema 2
Organização
de Dados
Procedimentos Procedimentos
ETL ETL
Procedimentos
ETL
Extração,
Sistema n Transformação
Dados Não e
Professor Marcio Victorino Estruturados Carga
20
 Análise
Data Mining
Fontes Externas

Ferramentas
de
Data Mining
Sistema 1
Procedimentos
Procedimentos ETL
ETL
DW

Procedimentos
ETL Área de
Sistema 2
Organização
de Dados
Procedimentos Procedimentos
ETL ETL
Procedimentos
ETL
Extração,
Sistema n Transformação
Dados Não e
Professor Marcio Victorino Estruturados Carga
21
ERP
Os sistemas ERP (Enterprise Resource Planning), também
chamados no Brasil de Sistemas Integrados de Gestão
Empresarial, têm um objetivo fundamental: controlar,
integrar e fornecer suporte aos processos de uma
organização – operacionais, produtivos, administrativos e
comerciais.
O ERP integra várias funções: controles financeiros,
contabilidade, folha de pagamento, faturamento, compras,
produção, estoque e logística. Possibilita um fluxo de
informações único, contínuo e consistente por toda a
organização, o que permite administrar os negócios em uma
única base de dados.

Professor Marcio Victorino 22

ERP

Estratégico BSC
DW

Data
Tático Marts

Operacional Sistemas
Operacionais

Processos Pessoas

Hardware Sofware

Professor Marcio Victorino 23

ERP
Dificuldades:
É difícil para as organizações entenderem se a forma delas
trabalharem se adapta ao padrão ERP antes da implementação ter
começado.
A razão mais comum pela qual as organizações fogem dos projetos
multimilionários do ERP é porque elas descobrem que o software não
suporta algum dos importantes processos dos seus negócios. Nesse
caso, só há duas coisas a serem feitas:
mudar o processo para se adaptar ao software, o qual significará
mudanças profundas nas formas de se fazer negócio, o que apesar de
ser positivo para a produtividade da organização, mexe em papéis de
pessoas importantes e com responsabilidades e que apenas poucas
organizações conseguem fazer.
ou, mudar o software para que este se adapte ao processo, o que
diminuirá a velocidade do projeto e provavelmente deturpará o sistema.

Professor Marcio Victorino 24

ERP
Um projeto de ERP é um projeto do Negócio e não
apenas de TI.
A implantação de um ERP requer uma
reorganização na forma como as coisas funcionam
internamente na organização.
O mais importante em um projeto de ERP é
entender porque a Organizaçõa precisa dele e como
a mesma pode utilizá-lo para otimizar seus
negócios.
Os benefícios podem ser obtidos se a organizaçõa
tiver maturidade para aceitar as mudanças e se
adequar a elas.
Professor Marcio Victorino 25
Projeto de um DW
Kimball aponta um conjunto pontos fundamentais no projeto
da estrutura de DW (tipo estrela). São os seguintes os
chamados pontos de decisão, que constituem definições a
serem feitas e correspondem, de fato, a etapas do projeto:
Os processos, e por conseqüência, a identidade das tabelas de fatos;
A granularidade de cada tabela de fatos;
As dimensões de cada tabela de fatos;
Aos fatos, incluindo fatos pré-calculados;
Os atributos das dimensões;
Como acompanhar mudanças graduais em dimensões;
As agregações, minidimensões e outras decisões de projeto físico;
Duração histórica do banco de dados;
Urgência com que se dá a extração e carga para o DW.

Esta metodologia segue a linha top-down, pois começa

identificando os grandes processos da empresa.
Professor Marcio Victorino 26
Estratégias de Implementação
Estratégia Evolucionária

Inmon:
Histórico de sucesso das aplicações;
Usuário final não terá condições de expressar suas
necessidades com clareza antes da primeira interação;
A gerência não se comprometerá antes da primeira
interação;
Há necessidade de, rapidamente, obter resultados
visíveis.

Professor Marcio Victorino 27

Estratégias de Implementação

INMON KIMBALL
Avalia o que o Ambiente Orientada às Necessidades
Operativo tem a Oferecer do Usuário Final

Fácil Mapeamento Mapeamento Lento

(Identificar Fontes)

Limitação de Visão Visão mais Ampla

Professor Marcio Victorino 28

Povoando um DW
Filtragen,Transformação e Integração dos Dados
Extraídos
Conflitos Semânticos e Estruturais:
Diferenças de unidades;
Diferenças de precisão;
Diferenças em código ou expressões;
Diferenças de granularidade;
Diferenças de abstração.

Professor Marcio Victorino 29

Exemplos de Uso
Governo Federal: Após conclusão do DW, considerado
estratégico pelo governo federal, o governo planeja
implantar um sistema de data minig, para auxiliar na
identificação de fraudes .

Lobrás: Desenvolveu um DW que está ajudando a empresa

a saber com exatidão o movimento das vendas de seus mais
de 21.500 produtos.

Itaú: O banco Itaú foi um dos pioneiros no uso de DW no

Brasil. Seu objetivo na época da implantação do DW era
filtrar suas correspondências que eram enviadas pra mais de
1 milhão de correntistas mas somente 2% se interessavam
pelas promoções e novidades. Com a utilização do DW o
índice de retorno foi para 30% .

Professor Marcio Victorino 30

Modelagem Multidimensional
Tabela de Fatos
Tabela central do projeto dimensional. Armazena medições numéricas do
negócio.
Possui chaves de múltiplas partes.
Cada chave é uma chave externa para uma tabela de dimensão.
Cada uma das medições é obtida na interseção de todas as dimensões.
Em consultas a tabela de fatos são usados centenas, milhares ou até
milhões de registros para a construção da resposta.
Medidas
Aditivas: São as mais freqüentes e são obtidas por meio da soma de valores
gerados pela seleção de membros das dimensões. Exemplo: lucro líquido;
Semi-aditivas: São medidas obtidas a partir da soma de apenas partes de
suas dimensões. Exemplo: quantidade em estoque (não faz sentido somá-la
através da dimensão tempo);
Não-aditivas: São medidas que não podem ser somadas através de nenhuma
de suas dimensões. O exemplo mais comum desse tipo de medidas são
valores percentuais.

Professor Marcio Victorino 31

Modelagem Multidimensional
Dimensão:
Representação dos contextos relevantes para a
análise de um fato.
Exemplo:
Fato: Vendas.
Dimensões: Clientes, Produtos, Tempo, Locais, ...
Uma dimensão pode
conter membros;
ser organizada em hierarquias.

Professor Marcio Victorino 32

Modelagem Multidimensional
Membros:
Exemplos:
dimensão Tempo:
– dia, semana, horário.
dimensão Locais:
– bairro, cidade, estado.

Hierarquias:
I) TEMPO II) GEOGRAFIA

ANO REGIAO

TRIMESTRE ESTADO

MES

DIA

Professor Marcio Victorino 33

Agregados
Normalmente, a modelagem dimensional utilizando
o esquema estrela apenas representa os fatos no
nível de granularidade mais baixa
(a partir do qual é possível gerar as combinações ou
diferentes perspectivas de análise).
No entanto, torna-se evidente a vantagem (por
razões de desempenho) de pré-calcular e
armazenar fatos sumário, contendo agregações
segundo diferentes combinações de dimensões.

Professor Marcio Victorino 34

Agregados

Produto Tempo Geografia

Consultas
Marca Ano País
Vendas por
Produto,
Marca,
Categoria Trimestre Região Trimestre
Ano e
eRegião
Região

Produto Mês Estado

Professor Marcio Victorino 35

Agregados

Vendas Categoria

XPTO

XPTA

XPTN
Marca

Professor Marcio Victorino 36

Agregados
Tempo de
Resposta

BD3
BD4
BD2
BD1

Professor Marcio Victorino 37

Agregados
Fatores:
Custo de Criação;
Custo de Manutenção;
Frequência de Manutenção;
Frequência de Utilização;
Tempo de Geração.
Nem sempre é viável armazenar todos os
agregados.

Professor Marcio Victorino 38

Modelo Dimensional
Visualização:
Uma visão multidimensional é usualmente representada por um
cubo. Adequado à visualização de até 3 dimensões.
Análise tridimensional é bastante utilizada.
Hipercubo: cubo com mais de 3 dimensões.

Professor Marcio Victorino 39

Modelo Dimensional

Professor Marcio Victorino 40

Modelo Dimensional
Funcionalidades:
Roll-up(agregação): os dados são resumidos com generalização crescente (dia, mês,
ano).
Drill-down(desmembramento): níveis crescentes de detalhes são revelados (ano, mês,
dia).
Drill Across (envolve mais de uma tabela Fato): ocorre quando o usuário pula um nível
intermediário dentro de uma mesma dimensão. Por exemplo: a dimensão tempo é
composta por ano, semestre, trimestre, mês e dia. O usuário estará executando um
Drill Across quando ele passar de ano direto para trimestre ou mês.
Drill Through (detalhar até o nível operacional): ocorre quando o usuário passa de uma
informação contida em uma dimensão para uma outra. Por exemplo: Estou na
dimensão de tempo e no próximo passo começo a analisar a informação por região.
Pivot(pivoteamento): rotação do cubo (hipercubo).
Slice-and-Dice(fatiar e cortar em cubos): realizar a operação de projeção nas
dimensões.
Slice: seleciona dados de uma única dimensão de um cubo OLAP.
Dice: extrai um subcubo do cubo original executando uma operação de seleção
em duas ou mais dimensões.
Por exemplo, podemos querer visualizar os dados relativos apenas ao mês de
janeiro de 2010, o que corresponde a efetuar um slice na dimensão tempo;

Professor Marcio Victorino 41

Roll-up

Professor Marcio Victorino 42

Drill-down

Professor Marcio Victorino 43

Pivot

Professor Marcio Victorino 44

Slice-and-Dice

Professor Marcio Victorino 45

Banco de Dados Multidimensional
Originalmente, o conceito de banco de dados
multidimensional surgiu no MIT ligado a pesquisas em
econometria. Um banco de dados multidimensional ao invés
de armazenar os dados como registros em tabelas,
armazena os dados em arrays multidimensionais.

Professor Marcio Victorino 46

Banco de Dados Multidimensional

MOLAP

ROLAP

Professor Marcio Victorino 47

Data Mining
As ferramentas de Mineração de Dados, são especializadas em procurar
padrões nos dados. Essa busca pode ser efetuada automaticamente pelo
sistema ou interativamente com um analista, responsável pela geração de
hipóteses.
Diversas ferramentas distintas, como redes neurais, indução de árvores de
decisão, sistemas baseados em regras e programas estatísticos, tanto
isoladamente quanto em combinação, podem ser então aplicadas ao
problema.
Em geral, o processo de busca é interativo, de forma que os analistas
revêem o resultado, formulam um novo conjunto de questões para refinar
a busca em um dado aspecto das descobertas, e realimentam o sistema
com novos parâmetros.
Ao final do processo, o sistema de Mineração de Dados gera um relatório
das descobertas, que passa então a ser interpretado pelos analistas de
mineração.
Somente após a interpretação das informações obtidas encontramos
conclusões ou regras, este processo é conhecido por Knowledge Discovery
in Database (KDD) ou descoberta de conhecimento em banco de dados.
Professor Marcio Victorino 48
Data Mining
O processo de Knowledge Discovery in Database (KDD) ou descoberta de
conhecimento em banco de dados compreende seis fases:
Seleção de dados.
Limpeza de dados.
Enriquecimento.
Transformação.
Mineração.
Análise, assimilação, interpretação, avaliação, divulgação e exposição das
informações.
O resultado da garimpagem pode ser descobrir:
Regras de associação (venda casada).
Padrões seqüenciais (seqüência de compras).
Árvores de classificação (classes de clientes).
Objetivos do Data Mining:
Previsão: comportamento futuro.
Identificação: existência de um item, evento ou atividade.
Classificação: classes de coisas.
Otimização: melhor uso de recursos.

Professor Marcio Victorino 49

Data Mining
Formas de descrever o conhecimento descoberto:
Regras de associação.
Suporte: é a porcentagem da população que satisfaz à regra.
Confiança: dadas duas regras, antecedente e conseqüente, é a
porcentagem em que a regra conseqüente ocorre.
Hierarquias de classificação.
Aprendizado supervisionado (classes predefinidas).
Padrões seqüenciais.
Padrões dentro de séries temporais.
Agrupamento (segmentação).
Aprendizado não supervisionado (não possui amostra de
treinamento pré-classificada).

Professor Marcio Victorino 50

Tarefas Primárias de Mineração de Dados
Associação: Uma regra de associação é um padrão da forma X -> Y ,
onde X e Y são conjuntos de valores (artigos comprados por um
cliente). Considerando, por exemplo, um supermercado. O seguinte
padrão “Clientes que compram pão também compram leite” representa
uma regra de associação que reflete um padrão de comportamento dos
clientes do supermercado.
Classificação: Classificação é o processo de encontrar um conjunto de
modelos (funções) que descrevem e distinguem classes ou conceitos,
com o propósito de utilizar o modelo para predizer a classe de objetos
que ainda não foram classificados. O modelo construído baseia-se na
análise prévia de um conjunto de dados de amostragem ou dados de
treinamento, contendo objetos corretamente classificados. Por exemplo,
suponha que o gerente do supermercado está interessado em descobrir
que tipo de características de seus clientes os classificam em “bom
comprador” ou “mau comprador”. Um modelo de classificação poderia
incluir a seguinte regra: “Clientes da faixa econômica B, com idade
entre 50 e 60 são maus compradores”.
Professor Marcio Victorino 51
Tarefas Primárias de Mineração de Dados
Clusterização (segmentação): Diferentemente da classificação e
predição onde os dados de treinamento estão devidamente
classificados e as etiquetas das classes são conhecidas, a análise de
clusters trabalha sobre dados onde as etiquetas das classes não estão
definidas. A tarefa consiste em identificar agrupamentos de objetos,
agrupamentos estes que identificam uma classe. Por exemplo,
poderíamos aplicar análise de clusters sobre o banco de dados de um
supermercado a fim de identificar grupos homogêneos de clientes,
por exemplo, clientes aglutinados em determinados pontos da cidade
costumam vir ao supermercado aos domingos, enquanto clientes
aglutinados em outros pontos da cidade costumam fazer suas
compras às segundas-feira.
Estimativa: é usada para definir um valor para alguma variável
contínua desconhecida como, por exemplo, estimar o número de
filhos em uma família e a renda total de uma família.

Professor Marcio Victorino 52

Tarefas Primárias de Mineração de Dados
Análise de Outliers: Um banco de dados pode conter dados que não
apresentam o comportamento geral da maioria. Estes dados são
denominados outliers(exceções). Muitos métodos de mineração
descartam estes outliers como sendo ruído indesejado. Entretanto, em
algumas aplicações, tais como detecção de fraudes, estes eventos raros
podem ser mais interessantes do que eventos que ocorrem
regularmente. Por exemplo, podemos detectar o uso fraudulento de
cartões de crédito ao descobrir que certos clientes efetuaram compras de
valor extremamente alto, fora de seu padrão habitual de gastos.

Professor Marcio Victorino 53

Business Intelligence (BI)
O termo BI surgiu na década de 80, cunhado pelo Gartner
Group, e tem como principais características:
Extrair e integrar dados de múltiplas fontes ;
Fazer uso da experiência ;
Analisar dados contextualizados ;
Trabalhar com hipóteses;
Procurar relações de causa e efeito;
Transformar os registros obtidos em informação útil para o
conhecimento empresarial.

Professor Marcio Victorino 54

Business Intelligence (BI)
Business Intelligence é o processo de analisar informações brutas
acumuladas da empresa e a partir delas obter insights valiosos.
Business Intelligence permite que os responsáveis pelas decisões tenham
as informações certas, na hora certa e no lugar certo, capacitando-os a
tomar melhores decisões corporativas.
As aplicações de BI incluem:
Sistemas de suporte à decisão;
Consultas e relatórios (padronizadas e ad-hoc);
Análises OLAP (On-Line Analytical Processing);
Análises estatísticas;
Previsões;
Data Mining.

Professor Marcio Victorino 55

Business Intelligence (BI)

Professor Marcio Victorino 56

Costumer Relationship Management (CRM)
CRM não é apenas um conceito tecnológico, é uma filosofia
de trabalho, que deve se apoiar fortemente em sistemas de
informação.
A definição do Gartner Group sobre CRM é bastante
abrangente:
"CRM é uma estratégia de negócio voltada ao entendimento e
antecipação das necessidades dos clientes atuais e potenciais de
uma empresa. Do ponto de vista tecnológico, CRM envolve capturar
os dados do cliente ao longo de toda a empresa, consolidar todos
os dados capturados interna e externamente em um banco de
dados central, analisar os dados consolidados, distribuir os
resultados dessa análise aos vários pontos de contato com o cliente
e usar essa informação ao interagir com o cliente, por meio de
qualquer ponto de contato com a empresa".

Professor Marcio Victorino 57

Conclusão
Inmon: “É um engano pensar que os enfoques de projeto
que funcionaram no passado serão úteis na construção do
DW. Os requisitos para a criação de um DW não podem
ser conhecidos até que ele seja parcialmente povoado e
sendo usado pelo analista de SAD. Portanto, ele não pode
ser projetado do mesmo modo pelo qual são construídos os
sistemas clássicos baseados em requisitos. Por outro lado,
também constitui um engano pensar que não prever
requisitos seja uma boa idéia. A realidade se encontra em
algum ponto intermediário.”(estratégia evolucionária)

Professor Marcio Victorino 58

 Fim

Professor Marcio Victorino 59