Escolar Documentos
Profissional Documentos
Cultura Documentos
1 INTRODUÇÃO...........................................................................................................6
1.1 OBJETIVO GERAL.................................................................................................6
1.2 OBJETIVOS ESPECÍFICOS...................................................................................6
1.3 JUSTIFICATIVA......................................................................................................7
1.4 METODOLOGIA......................................................................................................7
2 REFERENCIAL TEÓRICO.........................................................................................9
2.1 PADRÕES DE PROJETOS....................................................................................9
2.2 ELT: EXTRACTION, TRANSFORMATION AND LOAD.......................................12
2.2 FERRAMENTA BI: DOMO....................................................................................13
2.3 DATA WARE.........................................................................................................15
3 CRONOGRAMA DE DESENVOLVIMENTO...........................................................16
4 CUSTOS...................................................................................................................17
REFERENCIAS...........................................................................................................18
5
1 INTRODUÇÃO
Apresentar todo o fluxo de dados, o dado é gerado e cai num banco de dados
e começa o desenvolvimento da monografia
6
Mostrar como vamos extrair, tratar e carregar esses dados (ETL); juntamente
como vamos automatizar todo esse processo.
Exibir que no ETL vamos utilizar linguagem python como ferramenta, nele
vamos extrair os dados do banco, vamos tratar os dados (normalização de
dados), cruzar os dados e carregar os dados para um Data warehouse e
depois disponibilizar esses dados em uma ferramenta de BI, PowerBi.
No banco de dados terá diversas tabelas, tabela de usuário, tabela de
profissional, tabela de registro de atendimento, então precisamos fazer
cruzamento dos dados para pegar os dados dos profissionais e usuários e
juntar com as de atendimentos, isso que seria o cruzamento dos dados.
1.3 JUSTIFICATIVA
1.4 METODOLOGIA
7
O método utilizado para a confecção deste trabalho foi uma pesquisa para
revisão bibliográfica de caráter exploratório, com foco na montagem de uma
arquitetura de dados para um sistema de telemedicina, realizados em consultas em
acervos e artigos científicos do ano de 2000 à 2022.
2 REFERENCIAL TEÓRICO
BI deve vir sempre do domínio do negócio, o que requer uma visão e contexto
relacionados aos temas que contribuem para o processo decisório (PINHEIRO,
2008).
Independentemente do tamanho de uma organização, as ferramentas de BI
ajudam a pesquisar e interpretar os dados armazenados em tempo real. Isso é
importante não apenas para o suporte à decisão, mas também para medir a
produtividade, avaliar, controlar e gerenciar diferentes ações (ARAÚJO, 2020).
Ao garantir o controle e a qualidade das informações, o BI tornou-se um
grande atrativo no setor da saúde, pois pode reduzir custos mantendo a qualidade
do atendimento. Algumas das principais vantagens de seu uso são: análise
inteligente de dados, a partir de filtros, que permitem análise rápida de processos e
monitoramento de desempenho, redução de custos proporciona insights sobre
eventos passados e previsões futuras além do uso de certificados digitais,
eliminando assim a demanda para impressão em papel, qualidade do atendimento e
gestão e acompanhamento de históricos de saúde do paciente, gerando relatórios e
métricas (ARAÚJO, 2020).
O BI, como qualquer projeto a ser implementado, tem suas etapas, que nem
sempre precisam ser seguidas à risca, mas facilitam o processo para que o modelo
de projeto possa ser utilizado por outras organizações ou em futuras
implementações. Em geral, a implementação de projetos de BI não difere de outros
projetos na forma como os requisitos são apresentados, mas possuem suas
peculiaridades. Com cada vez mais dados ao nosso alcance, fica cada vez mais
difícil focar em informações relevantes para nossos problemas e apresentá-las de
maneira acionável. É disso que se trata a inteligência de negócios (ALEX, s/d).
As ferramentas de BI tornam mais fácil coletar os dados corretos e visualizá-
los de uma maneira que nos permita entender seu significado. Mas o quão fácil o
processo se torna e como os dados são visualizados depende da ferramenta: torna-
se importante escolher a ferramenta certa para suas necessidades (OLAVSRUD,
SAYER, 2021).
Domo é uma plataforma baseada em nuvem focada em painéis e facilidade
de uso para implantações de usuários de negócios. Ele oferece ferramentas de
inteligência de negócios personalizadas para diferentes setores (como serviços
financeiros, saúde, manufatura e educação) e funções, incluindo CEOs, vendas,
profissionais de BI e trabalhadores de TI. Os CIOs podem começar vendo como ele
14
lida com dados da AWS, Jira, GitHub ou New Relic antes de aprender como mais de
500 outras integrações podem ajudar outras empresas (OLAVSRUD, SAYER, 2021).
A decisão para estagiar os dados depende do ambiente e dos requisitos do
negócio. Todo Data Warehouse contém uma área de estagiamento de alguma
forma. Para decidir se isso será feito em memória ou em disco, deve-se considerar
as seguintes razões: recuperabilidade: em muitos sistemas, é uma boa prática
armazenar os dados assim que são colhidos da fonte e após cada uma das
transformações mais importante e confiável (ZORZO, 2009).
Dessa forma, se ocorrer um erro, você não precisará efetuar login no sistema
de origem novamente. Isso é especialmente importante para dados na rede, que
podem não estar mais disponíveis; backups: Muitas vezes, os data warehouses
contêm uma grande quantidade de dados, o que impossibilita o backup completo
confiável (ZORZO, 2009).
Após o arquivo carregado ser salvo, ele pode ser recuperado caso haja algum
problema no Data Warehouse; auditoria: salve os dados na área de staging, basta
comparar os dados de entrada e os dados de saída, fica mais fácil auditar o
processo ETL, levando em consideração as alterações no código ETL,
especialmente no caso de um data warehouse sobrescrevendo seus dados. Isso
torna cada vez mais difícil entender como os dados mudaram durante o processo de
ETL, o que pode torná-lo não confiável (ZORZO, 2009).