Arquitetura de Dados Estruturados e Não Estruturados

Roteiro de
Estudos
Estudos

Autor: Me. Jackson Luis Schirigatti

Revisor: Douglas Melman

Em um cenário hipercompetitivo, é necessário que os gestores sejam assertivos nas tomada de

decisões operacionais, táticas e estratégicas. Em contrapartida, a tecnologia da informação
deve estar preparada, para atender a organização por meio de métodos e ferramentas
tecnológicas, apoiando os gestores de forma a obterem informação inteligente. Nesse sentido,
é necessário compreender os conceitos de arquitetura de dados estruturados e não
estruturados. Dentro da arquitetura de dados estruturados, veremos os conceitos de sistemas
de bancos de dados transacionais e operacionais, especí cos para a tomada de decisão
operacional e tática. Na arquitetura não estruturada, veremos os conceitos e ferramentas para
manipulação de dados multidimensionais, especí cos para a tomada de decisão tática e
estratégica.

Caro(a) estudante, ao ler este roteiro, você vai:

compreender os conceitos de arquitetura de dados estruturados e não estruturados;

estudar a arquitetura de dados estruturados: os banco de dados relacionais e os
princípios da linguagem SQL;
compreender a arquitetura de dados não estruturados: business intelligence e os princípios
da linguagem NoSQL;
compreender os conceitos das base multidimensionais: data warehouse e data marts;
re etir sobre o uso da inteligência arti cial e do data mining (mineração de dados).
Introdução
Atualmente, os sistemas computacionais têm a nalidade de assegurar que todas as
informações imputadas, em transações ou em concorrência, devem ser armazenadas com
segurança, em termos de con abilidade, integridade e e ciência.

Existem dois tipos de arquitetura de dados e cada qual tem a sua aplicabilidade. A arquitetura
de dados mais estruturada está relacionada às aplicações operacionais e transacionais de uma
organização. Já dentro de uma arquitetura de dados multidimensional semiestruturada e não
estruturada, as aplicações dizem respeito à descoberta de inteligência de diversas fontes para a
tomada de decisão gerencial e estratégica.

Contudo, é de responsabilidade do gestor de TI a escolha por sistemas de banco de dados

consistentes, seguros e e cientes. Já a sua programação, para a manipulação coerente dos
dados, é de responsabilidade do analista ou administrador de sistemas e banco de dados.
Portanto, conhecer os conceitos, características e as diversas técnicas, para gerenciar dados
estruturados, semi e não estruturados, para as suas aplicações organizacionais, são de grande
importância para estes pro ssionais.

Compreenderemos, além dos conceitos de arquiteturas de dados estruturados, por meio dos
princípios de gerenciamento de banco de dados relacionais e da linguagem SQL, os conceitos
de arquitetura de dados não-estruturados, pelas linguagens NoSQL. Veremos também os
conceitos das bases multidimensionais (data warehouse e data marts) e o uso da inteligência
arti cial, especi camente, relacionado à mineração de dados.

Conceitos de Dados Estruturados

e não Estruturados
Atualmente, com a criação das mais diversas tecnologias móveis e web, houve uma
necessidade do desenvolvimento de novas estruturas de dados, mais ágeis e diversi cadas,
como as arquiteturas de dados semiestruturados e não estruturados. Os dados estruturados
em sistemas de bancos de dados relacionais e transacionais, a rigor, seguem padrões
normalizados para efetuarem os devidos relacionamentos. Já nos modelos semi e não
estruturados, devido a suas essências de aplicabilidade, não possuem uma normalização ou
padrão.
Os sistemas de bancos de dados relacionais seguem uma característica de relação entre
tabelas formadas por linhas (registros, objetos) e colunas (campos, atributos). Para
Ramakrishnan e Gehrke (2011, p. 50, grifado), “o principal construtor para representar dados
no modelo relacional é a relação. Uma relação consiste em um esquema de relação e em uma
instância de relação”. A instância da relação se refere a uma tabela (no paradigma relacional)
ou classe (no paradigma orientado a objeto) que contém todos os registros de dados ou uma
coleção de objetos. Já o esquema de relação descreve o cabeçalho da tabela, ou seja, os
campos da tabela, ou atributos de uma classe ou também denominados de “colunas de uma
tabela”. Uma tabela, para Heuser (2004), é um conjunto ordenado de linhas, também
chamadas de tuplas. Cada tupla é um registro de dados. Um exemplo é uma tabela de
funcionários de uma empresa (tabela Funcionario) em que cada linha ou registro é composta
de uma série de campos (ou atributo).

Já em nos modelos não estruturados e semiestruturados, podem ser classi cados em chave-
valor (key-value), orientados a documentos (document), coluna familiar (column family) e banco
triplo (triple). O tipo “chave-valor”, segundo Rockenbach, Anderle, Griebler e Souza (2018) são
aqueles bancos que possuem informações associadas à respectiva chave. Muito utilizados em
sistemas web e-commerce. No modelo orientado a documentos, as informações são
armazenadas em árvores tipo XML. Já em um modelo do tipo “colunas familiares”, a estrutura é
equivalente à tradicional, contudo, as informações são armazenadas em colunas em vez de
linhas. E, por m, no modelo banco triple, as informações são armazenadas em registros
triplos: sujeito, propriedade e relacionamento.

LEITURA

Estudo comparativo de banco de dados NoSQL

Autores: Daniel Rockenbach, Nadine Anderle, Dalvan Griebler e Samuel Souza
Ano: 2018
O artigo apresenta uma comparação dos diversos bancos de dados semiestruturados e não
estruturados, suas funcionalidades, características, projetos e trabalhos relacionados com as
diversas tecnologias.

ACESSAR
Arquitetura de Dados
Estruturados: Banco de Dados
Relacionais e os Princípios da
Linguagem SQL
Para obter uma melhor e ciência nos projetos de banco de dados, tanto na questão de
otimização de consultas como no acesso aos dados, é necessário compreender a arquitetura
interna do gerenciador de banco de dados, indexação de tabelas, estruturas de
armazenamento, controle de concorrência e a recuperação de falhas. Silberschatz, Korth e
Sudarshan (2006) comentam que os sistemas de banco de dados são projetados para gerenciar
grandes blocos de informação e para gerenciar tal quantidade de informação, é necessário
de nir estruturas para armazenamento de informação e fornecer mecanismo para
manipulação de informações.

O Sistema de Gerenciamento de Dados (SGBD), segundo Date (2003, p. 37), é um software que
trata de todo o acesso ao banco de dados. Conceitualmente, o SGBD realiza uma intercepção
de alguma solicitação advinda dos usuários pelas aplicações. Esse procedimento é realizado
por meio de alguma linguagem de manipulação de dados, como o SQL. Após a intercepção, o
SGBD inspeciona um esquema externo para este usuário (esquema conceitual), o mapeamento
conceitual interno e a de nição do banco de dados armazenado. Para Feitosa (2013, p. 73), o
SGBD é um software executado no nível de serviços, ou seja, um serviço é executado em
segundo plano (background), no qual aguarda requisições do programa/usuário. Para se
comunicar com o SGBD, é necessário construir uma aplicação que estabeleça conexões com
uma porta lógica e o SGBD. O fabricante dos SGBD devem fornecer aplicações com interfaces,
para realizar o gerenciamento do banco de dados. O SGBD recebe comando SQL por esta porta
lógica em uma cadeia de caracteres tipo string. Na sequência, o SGBD realiza a análise de
sintaxe desta cadeia de caracteres e o executa. O esquema abaixo ilustra as principais
funcionalidades de execução de um SGBD.
Figura 1 - Funcionalidade de um SGBD
Fonte: Elaborada pelo autor.

Na Figura 1, após a requisição do usuário por uma consulta de relatório de clientes por meio de
uma aplicação especí ca, veja que o serviço irá utilizar o processador de DQL (linguagem de
consultas de dados), veri cando a sintaxe, inspecionando os esquemas da base de dados,
executando a instrução SQL e retornando ao usuário as informações solicitadas.

A estrutura de gerenciamento de banco de dados é formada por uma série de objetos, como
compiladores, mecanismos de avaliação, gerenciadores, dicionários de dados, arquivos,
registros, campos e índices. A maioria dos bancos de dados da atualidade são modelos
relacionais, projetados com a sub linguagem DML (Linguagem de Manipulação de Dados) e DDL
(Linguagem de De nição de Dados) nos seus SGDs (Sistemas Gerenciadores de Banco de
Dados). Já uma estrutura de Sistema de Banco de Dados é mais ampla e é composta de três
camadas de acesso e de processamento de dados, como: 1. Processador de consulta; 2.
Gerenciador de armazenamento; e 3. Armazenamento em disco, como ilustra a Figura 2, a
seguir:

Figura 2 - Sistema de um banco de dados

Fonte: Elaborada pelo autor.
A linguagem SQL (Structured Query Language) foi desenvolvida pela IBM, na década de 1970,
para implementações em modelos relacionais, tornando-se padrão, desde 1986, quando a ANSI
(American National Standards Institute) endossou a SQL como linguagem padrão para os
bancos de dados relacionais. Essa poderosa linguagem é utilizada, para consultar, criar tabelas,
inserir, excluir e alterar dados em um banco de dados. A SQL é uma linguagem declarativa, ou
seja, ela permite de nir metadados (DDL - Linguagem de de nição de dados), manipular dados
(DML - Linguagem de manipulação de dados) e de nir comandos para a segurança e
integridade dos dados (DCL - Linguagem de controle de dados). O usuário, pelos comandos
SQL, consegue montar consultas complexas e poderosas sem criar um código de programação
(CARDOSO; CARDOSO, 2012).

LEITURA

Sistemas de banco de dados

Autor: Ramez Elmasri e Shamkant B. Navathe
Editora: Pearson Education do Brasil
Ano: 2018
Um livro completo, para se aprofundar nas arquiteturas de dados estruturados e não
estruturadas. Uma visão ampla sobre as diversas tecnologias de arquiteturas cliente-servidor
centralizadas e os bancos de dados distribuídos. Você poderá compreender sobre as
modelagens relacionais e a linguagem SQL. No capítulo 2, você poderá explorar sobre os
conceitos e arquitetura de banco de dados. No capítulo 3, compreenderá sobre os modelos de
dados relacionais e as restrições em bancos de dados relacionais. No capítulo 4, poderá
encontrar as especi cações da linguagem SQL. No capítulo 11, poderá explorar os bancos de
dados de objetos e objeto-relacional e, no capítulo 12, encontrará conceitos, princípios e
modelos de dados estruturados, semiestruturados e não estruturados, especi camente, sobre
a linguagem XML. Este título está disponível na Biblioteca Virtual da Laureate.
Arquitetura de Dados não
Estruturados: Business
Intelligence e os Princípios da
Linguagem NoSQL
Atualmente, os sistemas de banco de dados transacionais e operacionais armazenam uma
quantidade massiva de fontes de dados internas e externas das organizações, por exemplo,
dos sistemas de gestão empresariais e das mídias digitais, das redes sociais e dos diversos
dispositivos móveis. Para uma tomada de decisão e ciente, estruturação de uma inteligência
competitiva ou uma contrainteligência, é necessária uma busca de informações e ciente e
inteligente. Para isto, é necessário utilizar-se de ferramentas de mineração de dados (data
mining) e de projetos de data warehouse (busca inteligente de informações nos negócios).
Apesar de a consolidação se referir às informações sumarizadas, as técnicas de mineração de
dados (data mining) e de busca de informações nos armazéns de dados não deixam de ser uma
consolidação de padrões e dados selecionados. Estes dados selecionados de maneira
inteligente por ferramentas especí cas servem para que os mesmos possam ser trabalhados
pelos tomadores de decisão. Os algoritmos de data mining e os projetos de data warehouse são
de suma importância para tomada de decisão rápida e de qualidade.

Outro grande armazém de dados não estruturados é o big data. Segundo Alexandre e Cavique
(2013, p. 38), “o NoSQL vem trazer solução para o grande volume de informação que é gerada e
tem que ser analisada e com a necessidade das organizações manterem a informação durante
um longo período de tempo, o Big Data”.  

Ainda sobre o NoSQL, Elmasri e Navathe (2018, p. 795):

[...] o termo NoSQL é geralmente interpretado como Not Only SQL [...] e tem
como nalidade transmitir a ideia de que muitas aplicações precisam de
sistemas diferentes dos sistemas SQL relacionais tradicionais para ampliar suas
necessidade de gerenciamento de dados. A maioria dos sistema NoSQL são
bancos de dados distribuídos ou sistemas de armazenamento distribuído com
foco no armazenamento de dados semiestruturados, alto desempenho,
disponibilidade e replicação de dados, e escalabilidade, ao contrário da ênfase
em consistência imediata de dados, linguagens de consultas poderosas [Caso
da SQL] e armazenamento de dados estruturados.
Os sistemas big date utilizam NoSQL e possuem características denominadas 3V, volume,
velocidade e variedade de dados. O que difere um sistema de dados data warehouse, data
mining e big data é a sua organização, arquitetura e volume de seus dados.

Em um sistema de banco de dados do tipo big data, o armazenamento é realizado a partir de

um grande volume de dados não estruturados ou semiestruturados. Já no data mining e no
data warehouse, o armazenamento, em volume menor, é feito a partir de bases estruturadas,
semiestruturadas e não estruturadas.

LEITURA

NoSQL no suporte à análise de grande volume de dados

Autores: Joel Alexandre e Cavique Luís
Ano: 2013
O artigo apresenta uma visão da utilização de ferramentas de descoberta de inteligência nos
negócios de forma mais exíveis e com menor custo para o utilizador nal. São as ferramentas
NoSQL.

ACESSAR
 LEITURA

Projeto de banco de dados com XML

Autor: Mark Graves
Editora: Pearson Education do Brasil
Ano: 2003
Você poderá explorar mais o assunto especi camente sobre armazenamento de dados não
relacional, orientado a objetos e relacional, no capítulo 4 (armazenamento de dados). Neste
capítulo, você poderá compreender como explorar dados em arquivos XML, alternativas úteis
para aplicações web em relação aos SGBDs tradicionais. Esse título está disponível na Biblioteca
Virtual da Laureate.

Conceitos das Bases

Multidimensionais: Data
Warehouse e Data Marts
O data warehouse (DW), o termo signi ca armazém de dados ou depósito de dados, é um
acervo lógico que concentra vários tipos diferentes de bancos de dados e que possui a função
de consolidar as informações para a análise de negócio e tomada de decisão. Os data
warehouses consolidam as informações orientadas a assuntos das atividades organizacionais a
partir de um grande volume de dados, favorecendo relatórios e análise de informações
estratégicas. Para Alves (2018, p. 132), o data warehouse (DW) pode ser entendido como:

[...] um banco de dados especializado, capaz de trabalhar com um número

maior de dados, e não apenas com dados internos da empresa. [...] Estes
softwares são capazes de processar informações e não apenas dados, e podem
fazer parte dos sistemas de apoio à decisão.
 As fontes de bases de dados do data warehouse são bases transacionais e operacionais
internas e externas (OLTP – Online Transaction Processing ou processamento de transações em
tempo real, que incluem inserções, atualizações e exclusões, além de requisitos de consultas),
que correspondem às   informações das diversas áreas organizacionais internas, como
marketing, vendas, estoque, faturamento. E as bases externas são as que contêm informações
sobre a concorrência, do negócio e setor, análise do mercado de ações etc. Para Alves (2018, p.
132), “o DW armazena e combina estes dados, gerando algumas informações e ferramentas,
por exemplo, para consultas de informações e relatórios de diversos tipos, oferecendo uma
visão multidimensional da empresa”. As informações destas bases de dados passam por um
processo de extração, transformação e carregamento (ETL – Extraction, Transformation, and
Loading) e são armazenadas para dentro de um armazém de dados, como ilustra a Figura 3,
abaixo, representando um data warehouse. O data warehouse surgiu, na década de 1980, por
meio de um conceito acadêmico, para suprir a de ciência dos sistemas transacionais e
operacionais OLTP, ao realizar as tarefas de análise com tarefas de relatórios consolidados.
Hoje, o data warehouse faz parte de uma das principais soluções de business intelligence do
mercado.

Figura 3 - Business intelligence por meio de um projeto de data warehouse

Fonte: Elaborada pelo autor.

Descrição: os dados do data warehouse são coletados de bases transacionais pela ETL
(extração, transformação e leitura), após armazenados de forma catalogada no armazém de
dados. O data warehouse também podem gerar pequenos cubos de dados, os data marts.

Observe, na Figura 3, que todas as bases transacionais internas e externas passam por uma
extração de dados sendo consolidadas em um enorme cubo de dados (warehouse) e depois
em cubos menores (data marts). Estes cubos de dados possuem dimensões diferentes das
bases transacionais e operacionais. São bancos de dados multidimensionais. A dimensão de
um banco de dados é uma característica da informação. Cada camada de um data warehouse
ou data mart representa um tipo de informação. E o cubo é a representação da
multidimensionalidade dessas informações.
 Observe também, na gura, que os cubos data marts são criados de forma personalizada, para
facilitar as extensivas pesquisas por assuntos especí cos, como um data mart especí co de
vendas com informações do mercado e da concorrência, ou um data mart de produção x
estoque x pedidos ou ainda um data mart de informações do mercado econômico- nanceiro x
mercado de ações.

Para Alves (2018, p. 136), a “orientação por assunto é uma característica marcante de um DW,
pois toda modelagem é desenhada em torno dos principais assuntos da empresa. Já os
sistemas transacionais estão voltados para processos e aplicações especí cas”.

A estrutura multidimensional facilita a pesquisa para a geração de relatórios e grá cos

sumarizados e de forma analítica, dependendo dos recursos da ferramenta de leitura do cubo.
Após a criação do cubo data mart, os usuários, por aplicativos especí cos de leitura, podem
destrinchar e detalhar as informações por meio da adição de dimensões, cruzando-as para
visualização. Esse procedimento é denominado de análise multidimensional. O diagrama da
Figura 4, abaixo, ilustra um cubo representando as três dimensões de informações (produto x
cliente x região). Mas a representação na prática da multidimensionalidade é in nita.

Figura 4 - Diagrama representando as três dimensões de um cubo de informação de vendas

Fonte: Elaborada pelo  autor.

Descrição: o cubo data mart possui multidimensões.

Com o cubo de vendas com várias dimensões inter-relacionadas, é possível veri car quais
foram os produtos vendidos, em determinada região, por clientes especí cos. Uma possível
tomada de decisão seria a atuação de uma maior força de vendas para as regiões de menor
venda ou efetuar ainda um marketing mais agressivo para estes determinados clientes ou
regiões. Se acrescentarmos uma nova dimensão ao cubo, por exemplo, “contas a receber” da
base nanceira, rodando o extrator de dados, migra-se, assim, dados do data warehouse e gera-
se um novo data mart (produtos x clientes x região x contas a receber). Por meio da adição
dessa nova dimensão ao data mart, é possível detalhar qual a razão de possíveis inadimplências
de clientes, mesmo que tenham uma alta quantidade de pedidos fechados (alta quantidade de
vendas). A análise pelo cruzamento das informações com um data mart se torna mais rica e
rápida para a tomada de decisão. Em um DW ou DM (data mart), “as informações fornecem
padrões consistentes, gerando, assim, relacionamentos informacionais correlacionados e
transformando a informação em nova informação” (ALVES, 2018, p. 136). Com estas
ferramentas de business intelligence, dos modelos de data warehouse e de data mart são
reduzidas as customizações de programas especí cos para a criação de relatórios a partir das
bases transacionais e operacionais. Reduzem também o tempo de extração de dados das
bases, evitando a elaboração de planos de otimização de índices e estudo de recuperação de
dados.

Explore mais o assunto sobre análise multidimensional nas recomendações a seguir.

LEITURA

Sistemas de informações gerenciais

Autor: Kenneth C. Laudon e Jane Price Laudon
Editora: Price Hall
Ano: 2007
No capítulo 5, “Fundamentos de inteligência nos negócios: gerenciamento da informação de
banco de dados”, páginas 136 a 157, infraestrutura de inteligência empresarial, os autores
comentam sobre os data warehouse e data marts e as diversas ferramentas analíticas de dados
multidimensionais, não estruturados e semiestruturados, como o OLAP, text mining, web mining
e outras. No mesmo capítulo, é tratada a administração de recursos de dados, especi camente,
no item 5.2, sobre sistemas gerenciadores de banco de dados. Já no item 5.3, “Como usar
banco de dados para melhorar o desempenho e a tomada de decisão na empresa”, é possível
explorar mais sobre a análise multidimensional de dados, data warehouse e data mining. Esse
título está disponível na Biblioteca Virtual da Laureate.
Inteligência Arti cial e Data
Mining (mineração de dados)
Nas organizações, as bases transacionais são utilizadas, para rastrear padrões e tendências às
complexas tomadas de decisões em qualquer nível organizacional. Uma área da inteligência
arti cial que está ajudando a encontrar conhecimento em grandes bases de dados, para
resolver problemas à tomada de decisão é a mineração de dados. Segundo Yanaze (2011, p.
281)

[...] a mineração de dados ou Data Mining são ferramentas que possibilitam a

extração de informações úteis de bancos de dados volumosos e complexos, da
descoberta de padrões, associações, mudanças e anomalias nos dados
existentes [...]”.

A mineração de dados pode levar a uma capacidade preditiva e analítica poderosa de dados. As
funcionalidades da mineração de dados são usadas, para especi car os tipos de informações
nas tarefas descritivas e preditivas. As tarefas descritivas caracterizam as propriedades gerais
dos dados, já as preditivas fazem inferência a partir dos dados, objetivando predições. Para
encontrar informações necessárias em uma base de dados, é necessário se chegar a uma
análise descritiva ou agrupamento. Já para uma descoberta de conhecimento, é necessário
fazer com que o algoritmo aprenda de acordo com o seu desempenho (classi cando,
estimando ou associando dados).

É possível dividir uma mineração de dados em uma sequência de etapas para a descoberta do
conhecimento:

1. Pré-processamento de dados: etapa que diz respeito ao processo de

preparação da base de dados, limpeza, integração, redução, transformação e
discretização dos dados;{
2. Análise descritiva dos dados: etapa que se refere ao processo de
visualização dos dados;
3. Análise de grupos: etapa que diz respeito ao processo de agrupamento de
dados (similaridades e formas de representação dos agrupamentos);
4. Aprendizagem: é a etapa de aprendizagem através de algoritmos de
aprendizagem que podem ser por classi cação, estimação ou por regras de
associação;
As ferramentas de inteligência nos negócios (BI - business intelligence), como o data mining, é um
dos principais subsídios da inteligência competitiva organizacional.

Segundo Sferra e Corrêa (2003, p. 136) citados por Alves (2018, p. 136), o data mining, também
conhecido como mineração de dados,

[...] é uma tecnologia que emergiu da intersecção de três áreas: estatística

clássica, inteligência arti cial e aprendizado máquina, sendo a primeira mais
antiga delas. Observa-se que o Data Mining é parte de um processo conhecido
como KDD (Knowledge Discovery in DataBase) - em português: Descoberta do
conhecimento em base de dados.

O BI está relacionado a um processo de captura, processamento e análise de dados para a

elaboração de estratégias e tomada de decisão corporativa, podendo alcançar resultados
surpreendentes na busca de inteligência nos negócios.

LEITURA

Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações

Autor: Leandro Nunes de Castro e Daniel Gomes Ferrari
Editora: Saraiva
Ano: 2016
Uma obra completa e detalhada sobre a mineração de dados e suas aplicações. Os autores
exploram a mineração de dados como ferramentas algorítmicas (pseudocódigos) para a busca
de aprendizado máquina e aquisição de conhecimento para as organizações. No capítulo 1, são
apresentados os conceitos e princípios da mineração de dados. No capítulo 2, você poderá
explorar sobre a tarefa de pré-processamento de dados, que de ne a preparação para a
descoberta de conhecimento nas bases de dados. Já nos demais capítulos 3 a 8, são
apresentadas as análises descritivas, de grupos, classi cação, estimação e regras de associação,
que de nem as etapas 2 (análise descritiva), 3 (análise de grupos) e 4 (aprendizagem) de nosso
tópico. Esse título está disponível na Biblioteca Virtual da Laureate.
Conclusão
A compreensão da arquitetura de dados estruturados, não estruturados e suas
particularidades híbridas fazem dos analistas, preparadores de dados e gestores, importantes
articuladores coadjuvantes da estratégia organizacional. Por isso, os pro ssionais de tecnologia
devem entender que os sistemas da atualidade necessitam de um armazenamento adaptável,
advindo de diversas fontes de dados, de forma segura, con ável, íntegra e e ciente.

Vimos que este armazenamento adaptável dentro das organizações pode ser constituído de
um conjunto de ferramentas de recuperação e armazenamento de informações operacionais,
táticas e estratégicas. As informações operacionais são atendidas pelas arquiteturas de dados
mais estruturados como as bases transacionais e relacionais. Já as informações táticas e
estratégicas são atendidas pelas arquiteturas de dados semi e não estruturados, como as
bases multidimensionais e as NoSQL.

Referências Bibliográ cas

ALEXANDRE, J.; CAVIQUE, L. NoSQL no suporte à análise de grande volume de dados. Revista
de Ciências da Computação, n. 8, 2013. Disponível em:
https://core.ac.uk/download/pdf/61423439.pdf. Acesso em: 21 mar. 2019.

ALVES, E. B. Sistemas de informações em marketing: uma visão 360º das informações

mercadológicas. Curitiba: Intersaberes, 2018.

CARDOSO, V.; CARDOSO, G. Sistema de banco de dados. São Paulo: Saraiva, 2012.

CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos

e aplicações. São Paulo: Saraiva, 2016.

DATE, C. J. Introdução a sistema de banco de dados. 8. ed. Rio de Janeiro: Elsevier, 2003.

ELMASRI, R.; NAVATHE, S. B. Sistemas de banco de dados. 7. ed. São Paulo: Pearson Education
do Brasil, 2018.

FEITOSA, M. P. Fundamento de banco de dados: uma abordagem prático-didática. São Paulo:

Edição do autor, 2013.

GRAVES, M. Projeto de banco de dados com XML. São Paulo: Pearson Education do Brasil,
2003.

HEUSER, A. Projeto de banco de dados. Porto Alegre: Sagra Luzzato, 2004.

LAUDON, K. C.; LAUDON, J. P. Sistemas de informações gerenciais. 7. ed. São Paulo: Prentice
Hall, 2007.

RAMAKRISHN, R.; GEHRKE, J. Sistema de gerenciamento de banco de dados. 3. ed. Porto

Alegre: AMGH, 2011.

ROCKENBACH, D. A. et al. Estudo comparativo de bancos de dados NoSQL. Revista Eletrônica

Argentina-Brasil de Tecnologias da Informação e da Comunicação, [S.l.], v. 1, n. 8, abr. 2018.
Disponível em: https://revistas.setrem.com.br/index.php/reabtic/article/view/286. Acesso em:
18 fev. 2020.

SILBERSCHATZ, A.; KORTH, H. F.; SURDARSHAN, S. Sistemas de banco de dados. Rio de Janeiro:
Elsevier, 2006.

YANAZE, M. H. Gestão de marketing e comunicação: avanços e aplicações. 2. ed. São Paulo:

Saraiva, 2011.