WBA0748_v1.

Modelagem e arquitetura do
Data Warehouse (DW)
Data Mart
Conceitos elementares

Bloco 1
Anderson da Silva Marcolino
Data Mart

• Um data mart é um
data warehouse?
Data Mart
• Um data mart é um data warehouse?
• Na realidade, o data mart é uma parte do
data warehouse.
• Para entender o que é um data mart
e qual o papel dele em um data
warehouse, precisamos entender
alguns conceitos elementares.
Conceitos elementares
• Um banco de dados convencional (transacional)
possui os dados normalizados.

• Serve para inserções, alterações e

exclusões.

• Um data warehouse trabalha com dados

desnormalizados.

• Serve para consultas – deve ser rápido.

Conceitos elementares
• Dados desnormalizados:
• Serve para consultas – deve ser rápido.
• Há um custo: não há garantia da consistência dos
dados, além de termos um banco de dados maior.
• Necessária estratégia para organizar os dados
para resultar em informações relevantes.
Exemplo de desnormalização
Figura 1 – Exemplo de fato e de desnormalização de dados

Fonte: Piton (2018, p. 82).

Conceitos elementares

• Redundância, porém, consultas performáticas.

• Para garantir resultados válidos, os dados são
modelados considerando a modelagem dimensional.
Data Mart
Modelagem dimensional e o Data Mart

Bloco 2
Anderson da Silva Marcolino
Modelagem dimensional e o Data Mart

• Modelagem dimensional integra a especificação

de uma arquitetura de data warehouse.
• Ajudará a organizar e permitir melhor
desempenho e organização dos dados,
que, muitas vezes, são provenientes de
várias fontes.
Modelagem dimensional e o Data Mart

• A arquitetura é dividida em três partes:

• Data source.
• Staging área.
• Data mart e Data warehouse.
Modelagem dimensional e o Data Mart

• Considerando tais partes, precisamos extrair os

dados das fontes de dados, carregar, limpar e
transformar os dados na staging area e carregar os
dados para o modelo dimensional.
• É aí que entra o conceito do data mart!
Modelagem dimensional e o Data Mart
• O Data Mart armazena os dados que foram
organizados na staging area em um fato.
• O fato é o que se busca observar e obter
informações e é expresso considerando a
integração de dados provenientes de
diversas fontes.
• Um fato terá diversas dimensões que se
relacionam com este, para permitir a
obtenção de informações por meio das
consultas.
Exemplo de fato

Figura 1 – Exemplo de fato e de desnormalização de dados

Fonte: Piton (2018, p. 82).

Modelagem dimensional e o Data Mart
• Considerando o fato, que é núcleo de um Data
Mart, temos a delimitação a um assunto ou
área, quando estes assuntos são integrados e
unidos, temos, então, o data warehouse.
Teoria em Prática
Bloco 3
Anderson da Silva Marcolino
Reflita sobre a seguinte situação
• A implantação de um DW deve considerar
diferentes atividades para que seja realizada de
fato. Nesta perspectiva, sabendo da necessidade
de criar Data Marts, que, posteriormente,
criarão o DW, descreva uma estratégia que
adotaria para implementar um DW
gradativamente.
• Para isso, considere que deverá atentar à busca
por atender a necessidade de negócio mais
iminente e que trará diferencial para o negócio
em relação aos seus concorrentes.
Norte para a resolução
• Primeiramente, é necessário elencar as bases de dados
transacionais que serão importadas.
• Analisar o fato que é mais importante.
• Considerar a especificação da arquitetura do DW.
• Selecionar o fato mais relevante para o negócio, que
auxiliará na tomada de decisões.
• Realizar a modelagem dimensional, criando o primeiro
Data Mart.
• A partir disso, analisar e melhorar a versão inicial e, na
sequência, elencar os novos fatos a serem modelados e
incluídos para a implementação de um DW.
Dicas do(a) Professor(a)
Bloco 4
Anderson da Silva Marcolino
Leitura Fundamental
Prezado aluno, as indicações a seguir podem estar disponíveis
em algum dos parceiros da nossa Biblioteca Virtual (faça o login
através do seu AVA). Algumas indicações também podem estar
disponíveis em sites acadêmicos como o Scielo, repositórios de
instituições públicas, órgãos públicos, anais de eventos
científicos ou periódicos científicos, acessíveis pela internet.
Isso não significa que o protagonismo da sua jornada de
autodesenvolvimento deva mudar de foco. Reconhecemos que
você é a autoridade máxima da sua própria vida e deve,
portanto, assumir uma postura autônoma nos estudos e na
construção da sua carreira profissional.
Por isso, te convidamos a explorar todas as possibilidades da
nossa Biblioteca Virtual e além! Sucesso!
Indicação de leitura 1
O texto conceitua Data Mart no decorrer da história
dos data warehouses.
Leitura do capítulo História dos data warehouses
(página 13 até 35).

Referência:
VIDA, E. da S. et al. Data Warehouse. Porto Alegre: SAGAH, 2021.
Indicação de leitura 2
O texto apresenta um esquema rico sobre DW, incluindo
conceitos sobre Data Mart.
Leitura do capítulo 16, Tecnologias e Gerenciamento de
data warehouses, item 16.1.3 - Arquitetura de data
warehouse (página 556 até 558).
Referência:
MANNINO, M. V. Projeto, desenvolvimento de aplicações e
administração de Banco de Dados-3. São Paulo: AMGH, 2008.
Dica do(a) Professor(a)
Como dica, segue recomendação do aplicativo disponibilizado na Google
Play, chamado Data mining & Data Warehousing, que apresenta
minitutoriais sobre a temática, possibilitando ampliar ainda mais o
conhecimento sobre tais tecnologias.

Figura 2 – Aplicativo Data Mining & Data Warehousing na Google Play

Fonte: print de tela de

https://play.google.com/store/apps/details?id=com.faadooeng
ineers.free_datamininganddatawarehousing. Acesso em: 4
ago. 2022.
Referências
KIMBALL, R. The Data Warehouse Toolkit: guia completo para
modelagem dimensional. Rio de Janeiro: Campus, 2002.
KIMBALL, R.; ROS, M. O kit de ferramentas de data warehouse:
o guia completo para modelagem dimensional . John Wiley &
Filhos, 2011.
MANNINO, M. V. Projeto, desenvolvimento de aplicações e
administração de Banco de Dados-3. São Paulo: AMGH, 2008.
PITON, R. Data Warehouse passo a passo: o guia prático de
como construir um data warehouse do zero. Porto Alegre:
Raizzer, 2018.
VIDA, E. da S. et al. Data Warehouse. Porto Alegre: SAGAH,
2021.
Bons estudos!