Análise de Dados com Microsoft Power BI e Clínica de BI

Análise de Dados com Microsoft Power BI e Clínica de BI

Análise de Dados com Microsoft Power BI

e Clínica de BI

O Que é Um Modelo Dimensional?

Data Science Academy

www.datascienceacademy.com.br
 Análise de Dados com Microsoft Power BI e Clínica de BI

Os modelos que vimos anteriormente são modelos entidade-relacionamento e visam

criar um banco de dados transacional, que atendas às necessidades de operação de uma empresa
no seu dia a dia.

Mas, os dados transacionais precisam ser consolidados, calculados e resumidos e

precisamos de um modelo apropriado para representar esse cenário. Precisamos de um modelo
dimensional, criado através de modelagem dimensional.

Modelagem dimensional é uma técnica de projeto lógico normalmente usada para Data
Warehouses que contrasta com a modelagem entidade-relacionamento.

Segundo Kimball, a modelagem dimensional é a única técnica viável para bancos de dados
que devem responder consultas em um Data Warehouse. Ainda segundo ele, a modelagem
entidade-relacionamento é muito útil para registro de transações e para fase de administração
da construção de um Data Warehouse, mas deve ser evitada na entrega do sistema para o
usuário final extrair relatórios.

A modelagem multidimensional é definida sobre dois pilares:

• Dimensões.
• Fatos com granularidade única.

Dimensões diz respeito a entidade que servem de perspectivas de análise em qualquer

assunto da organização. Uma dimensão possui atributos, que são características da entidade. Por
exemplo: dimensão produto, dimensão cliente, dimensão loja, etc...

Por fato entende-se a unidade de medida de um indicador de desempenho. Assim,

quando fala-se de unidades vendidas, pode-se estar falando em unidades vendidas de uma loja
em um mês ou de um dado produto no semestre. Obviamente, esses valores não são operáveis
entre si.

A modelagem multidimensional visa construir um modelo dimensional para um Data

Warehouse com dimensões e fatos.

Esse tipo de modelagem tem dois modelos: Modelo Estrela (Star Schema) e Modelo Floco
de Neve (Snow Flake).

Modelo Estrela: Mais simples de entender, nesse modelo todas as dimensões relacionam-
se diretamente com a fato.

Modelo Floco de Neve: Visa normalizar o banco, esse modelo fica mais complicado do
analista entender, nele temos dimensões auxiliares.

Data Science Academy

www.datascienceacademy.com.br