Aplicando Business

Intelligence em uma
base de dados de
Pizzaria
Este artigo apresenta na prática a aplicação de ferramentas de Business Intelligence

em uma base de dados de Pizzaria.

SUPORTE AO ALUNO
ANOTAÇÕES
FAVORITAR
CONCLUÍDO
16
GOSTEI
16

Por que eu devo ler este artigo:Este artigo apresenta na prática a aplicação de ferramentas de
Business Intelligence em uma base de dados de Pizzaria. O conteúdo abordado é importante no
cenário atual caracterizado por uma disseminação muito grande de dados que, se não
analisados, podem impactar negativamente na tomada de decisão das organizações. É
justamente neste ponto que o tema discutido ganha relevância, pois ele permite o
desenvolvimento de um ambiente de apoio à tomada de decisões organizacionais.

Autores: Dalton Luiz Vargas, Jones Granatyr e Cleber de Almeida

Ver mais

Suporte ao alunoAnotarMarcar como concluídoCódigo fonte

ArtigosBanco de DadosAplicando Business Intelligence em uma base de dados de Pizzaria

As técnicas de BI (Business Intelligence) estão sendo cada vez mais utilizadas por

empresas com o intuito de possibilitar vantagens competitivas, auxiliando em

particular nos processos de tomada de decisões estratégicas. Tais sistemas

constituem um auxílio inestimável ao processo de tomada de decisões das

organizações, uma vez que o BI é uma tecnologia que permite às empresas

transformar dados guardados nos seus sistemas em informação significativa. Além

disso, permite que os usuários analisem bases de dados sob uma perspectiva

multidimensional, ajudando a organização a tomar decisões bem fundamentadas,

utilizando perspectivas diferentes. Tal capacidade na tomada de decisões é obtida

através de várias funções, como a análise OLAP (On-Line Analytical Processing) e

o Data Mining, que satisfazem as necessidades dos vários públicos da empresa

(desde o usuário comum ao executivo da organização). Com o surgimento da

Internet, o BI tornou-se ainda mais importante, pois as organizações

desenvolveram uma plataforma unificada para distribuir de forma facilitada a

informação aos tomadores de decisões dentro e fora do seu espaço (empregados,

fornecedores, parceiros de negócio e clientes). Assim, torna-se fácil de entender o

motivo pelo qual palavras como competitividade, globalização e qualidade fazem

parte do dia a dia de empresas que usam esses tipos de sistemas.

É dentro desse contexto que surgem as técnicas de BI, as quais assumem formas de

ferramentas computacionais que auxiliam a visualização, a análise e a interpretação

das informações, com o intuito de proporcionar conhecimentos para as

organizações. Baseado nisso, o objetivo deste artigo é abordar todas as

características que possibilitam colocar em prática os processos de BI por meio das

ferramentas disponíveis. Será construído um exemplo completo utilizando o SQL

Server Management Studio e o SQL Server Data Tools, no qual serão abordados os

principais recursos necessários para aplicação das ferramentas de BI em uma base

de dados de uma pizzaria, tais como: construção de modelo de dados

multidimensional, visualização na forma de um cubo, filtragem, agrupamento,

ordenação, formatação condicional e definição e análise de indicadores de

desempenho.

Business Intelligence

As tecnologias de BI foram concebidas para prover vantagens informacionais às

empresas em suas operações e decisões, o que se obtém por meio de uma

apresentação singular da informação a fim de subsidiar estratégias de tomadas de

decisões gerenciais/executivas. Em suma, um software de BI deve ser capaz de

filtrar informações e transformá-las em conhecimentos úteis que possam

caracterizar vantagens competitivas para as organizações, criando, por exemplo,

relatórios gerenciais para todos os níveis da organização e para todos os tipos de

pessoas que tomam decisões dentro das empresas. Nesse contexto, existem

basicamente três classes de relatórios, quais sejam: (i) dashboard; (ii) produção; e

(iii) analítico.

O dashboard é um relatório altamente sumarizado e formado por agregações de

dados que podem apresentar informações gráficas do que está acontecendo na

empresa. Em geral, esse tipo de relatório é utilizado em decisões estratégicas,

como para decidir se é viável conceder um desconto para um determinado produto.

Por sua vez, a segunda classe de relatório é, em geral, fornecida pelo próprio

sistema, sendo um exemplo a simples listagem dos produtos mais vendidos.

Finalmente, os relatórios analíticos possibilitam a interação com o usuário, com a

adição dinâmica de colunas e valores personalizados e a utilização de ferramentas

para mostrar cálculos complexos, por exemplo. Cumpre ressaltar que esse último

tipo de relatório fornece as informações mais valiosas de que necessitam as

organizações.
De uma forma geral, o BI preocupa-se em transformar os dados em informação útil

a ser utilizada pelas empresas em seus negócios, objetivando melhorar e facilitar

seus processos gerenciais. Tal informação se obtém por meio da integração de

diversas fontes de dados que podem existir em uma empresa, tais como: bases de

dados, arquivos de texto, planilhas eletrônicas, log de servidores, entre outros. Por

meio de BI, os gestores terão a capacidade de responder a uma série de questões

relativas a determinadas áreas da empresa, uma vez que as fontes de dados

mencionadas poderão ser agrupadas, dando ao gestor a possibilidade de tirar

conclusões sobre como a empresa encontrava-se em um determinado período,

como se encontra atualmente e também realizar projeções de como os negócios

estarão no futuro.

No contexto do BI existem quatro tecnologias fundamentais para sua

operacionalização: (i) banco de dados, (ii) pacote de ferramentas de mineração de

dados e estatísticas, (iii) OLAP e (iv) visualização. A primeira tecnologia diz

respeito aos bancos de dados, os quais necessitam estar preparados para a

realização de análises. O segundo item representa uma grande variedade de

algoritmos de mineração de dados (árvores de decisão ou redes neurais, por

exemplo), voltados a encontrar padrões. Por sua vez, a terceira tecnologia é o

OLAP, que proporciona uma visão multidimensional dos dados. Finalmente, a

visualização consiste em interfaces gráficas que possibilitam a interação dinâmica

com os dados. No presente artigo serão abordados com detalhes todos os itens

referidos utilizando o SSMS (SQL Server Management Studio), SSAS( SQL

Server Analysis Services) e SSDT (SQL Server Data Tools). Todavia, antes de

adentrar em tal análise faz-se necessário apresentar mais detalhes sobre os

conceitos e processos de BI.

Data warehouse e bases de dados

transacionais

Para que os dados sejam transformados em informações para análise posterior é

necessário que a base de dados esteja em um padrão específico. Em geral, obtém-

se essa estrutura por meio da construção de um data warehouse (d/w), que se trata

de um banco de dados destinado a armazenar dados no qual os valores são estáveis

e consistentes. Os d/w são diferentes das bases de dados transacionais encontradas

nas empresas, pois enquanto uma base de dados transacional armazena as

atividades diárias da empresa (incluir, alterar e excluir), um d/w guarda

informações históricas geralmente de longa data. A título ilustrativo, seguem

algumas características de um d/w: ser voltado ao planejamento, possuir alto nível

de agregação, apresentar dados integrados, armazenar as atividades durante o

tempo, ser estável e apresentar rapidez para agregações. Dentro desse contexto

também existe o termo Data Mart (d/m), que é considerado um subconjunto do

d/w, isto é: uma empresa pode possuir um d/w com informações sobre as vendas

de produtos e um d/m sobre as vendas somente de um departamento específico.

Dessa forma, um d/m é definido como uma subdivisão ou fatia do d/w.

Para que as técnicas de BI possam ser aplicadas em um d/w são necessárias

ferramentas OLAP, sendo esse um termo utilizado para representar ferramentas

que permitem a realização de estudos analíticos nos dados. Uma ferramenta OLAP,

tal como o SQL Server Analysis Services (SSAS), permite que os dados sejam

analisados sob diversas perspectivas e apresente as informações utilizando diversas

dimensões. É importante salientar que antes de utilizar essas ferramentas é

necessário a realização de uma etapa de preparação chamada de modelagem

multidimensional, transformando a base de dados transacional em um d/w que

contenha somente os dados que são importantes para as análises. Em uma

modelagem multidimensional existem quatro conceitos fundamentais: (i) tabela

Fato; (ii) medida; (iii) dimensão; e (iv) cubo, os quais se passa a analisar.
A tabela Fato é a aquela que armazena os valores detalhados de medidas, ou fatos.

A partir dela são extraídas as medidas que são cruzadas com os dados das

Dimensões, concedendo informações significativas para a análise do usuário.

Nesse exemplo, a tabela fato Pedidos de Clientes, conforme demonstra a Figura 1,

a primeira coluna Número do Pedido é a coluna chave, a coluna Valor total do

pedido é a medida. O uso de uma chave do tipo inteiro pode reduzir

consideravelmente o tamanho da tabela Fato.

Figura 1. Tabela fato Pedidos de Clientes

O conceito de medida é um valor numérico totalizado de acordo com os dados. Por

exemplo, na Figura 2 temos a soma do valor total de cada pedido de pizza

utilizando a medida Sum e a contagem de registros de pedidos de pizza na base de

dados utilizando a medida Count.

Figura 2. Visualizando as medidas no Cubo

Com essas duas medidas possibilita-se a criação de um novo membro calculado,

neste exemplo chamado de Avg, pois mostrará a média do valor total de cada

pedido através da divisão da medida Sum pela medida Count demonstrada na

Figura 3.

Figura 3. Criando um novo membro calculado

Os membros calculados em uma consulta MDX (Multidimensional Expressions)

representam valores que não existem diretamente em uma fonte de dados, mas são

calculados a partir dos metadados do cubo dos membros. Você define um membro

calculado e então o utiliza como qualquer membro existente em um cubo de

consulta. Por exemplo, na Figura 4, você pode adicionar o membro calculado Avg

para o painel Dados ou Consulta para incluí-lo em uma consulta MDX.

Figura 4. Obtendo a média através do membro calculado Avg

Portanto, na estrutura multidimensional é possível cruzar as informações dos dados

centrais (métricas ou medidas) com os dados periféricos (descritivos), permitindo

assim a análise das informações nas mais diferentes visões, adequando-se de

acordo com a necessidade do usuário na utilização de um sistema de BI.

A dimensão possui característica descritiva dentro do d/w, qualificando as

informações provenientes da tabela Fato e possibilitando analisar os dados sob

múltiplas perspectivas. Por exemplo, na Figura 5 é demonstrada a maneira como a

medida Count,que faz a contagem de registros de pedidos de pizza, é visualizada

no cubo de dados utilizando a dimensão Time_Pedido com o atributo Hora_Pedido

e a dimensão Adicionais com o atributo Borda, ambas as dimensões sendo

utilizadas em conjunto.

Nesse contexto é possível observar o aumento na frequência de pedidos de pizza

com borda do Tipo 1 e do Tipo 2 entre as 19h30 e as 21h50. Quanto mais

dimensões forem adicionadas ao modelo, mais detalhadas serão as informações

para a tomada de decisão. Pode-se observar que cada atributo da dimensão possui

diversos valores, ou seja, o atributo Borda da dimensão Adicionais é composto

pelos valores: Tipo 1 e Tipo 2; o atributo Hora_Pedido da dimensão de tempo

Time_Pedido é composto pela hora de registro de cada pedido de pizza. Os dados

oriundos dos mais diversos sistemas informacionais passam a ser armazenados,

após a fase de extração e tratamento, na estrutura de tabelas de Dimensões e Fatos

no modelo dimensional.
Figura 5. Uso da dimensão no cubo com filtros que afetam a medida

Um Cubo OLAP, também conhecido como cubo multidimensional ou hipercubo, é

uma estrutura de dados no SQL Server Analysis Services (SSAS) que supera as

limitações dos bancos de dados relacionais, proporcionando uma rápida análise de

dados. Os cubos podem exibir e somar grandes quantidades de dados enquanto

fornecem aos usuários finais acesso pesquisável a vários pontos de dados. Dessa

forma, os dados podem ser acumulados, segmentados e separados, conforme

necessário, para controlar a mais ampla variedade de perguntas relevantes para a

área de interesse de um usuário.

O recurso útil de um cubo OLAP é que os dados contidos nele podem estar em um

formato agregado. Para o usuário, o cubo parece ter as respostas antecipadamente,

pois as classificações de valores já estão pré-calculadas permitindo a utilização de

ferramentas de BI de autoatendimento, como na análise em Excel apresentada na

Figura 1 para analisar os dados a partir de várias perspectivas. A Figura 6 ilustra a

mesma informação.

Figura 6.

Visualização multidimensional de dados – um cubo

Nesse cubo é possível observar as duas dimensões e cada célula representa um

valor. Para exemplificação, será considerada somente a medida relacionada ao

registro de pedidos. A célula vermelha representa a quantidade de pizzas com

borda Tipo 1 as 19h30min., correspondendo a 4 pedidos conforme Figura 1. De

forma similar, a célula verde representa a quantidade de pedidos de pizza com

borda do Tipo 2 as 20h30min., correspondendo a 12 pedidos. Por fim, a célula azul

representa uma contagem, que indica o total de pedidos de pizza em todos os

horários e em todos os tipos, correspondendo a 16 pedidos de pizza com borda. As

células brancas correspondem a valores individuais, enquanto que as células na cor

cinza dizem respeito a agregação de valores, tais como contagens, somas ou

médias, como demonstrado na Figura 3.

Criando a base de dados de pizzaria no SSAS

O primeiro passo é criar um novo projeto no SQL Server Data Tools (SSDT).

Iniciamos o SSDT no grupo, clique em Arquivo | Novo | Projeto. Na caixa de

diálogo Novo Projeto, selecione Projeto do Analysis Services, neste exemplo o

nome será Project1.

Agora adicionamos um data source (fonte de dados) para definir a cadeia de

conexão para o data mart e uma Data Source View (exibição da fonte de dados)

como uma abstração das tabelas (ou exibições) a partir da fonte de dados que você

deseja usar para definir dimensões e cubos. É possível fazer alterações na DSV

sem modificar a fonte de dados subjacente, o que será útil se você tiver apenas

permissões de leitura no data mart e não puder fazer alterações na origem.

Na página Selecionar uma fonte de dados, selecione a fonte de dados que você

acabou de adicionar ao projeto e adicione objetos à DSV (Data Source View).

Você poderá adicionar mais tabelas posteriormente, se precisar responder a outras

perguntas de sua solução de BI.

É recomendável simplificar os nomes das tabelas com a seleção de cada uma no

painel Tabelas do designer. Os assistentes usados para criar dimensões e cubos

usarão o valor da propriedade FriendlyName para atribuir nomes a objetos. A

DSV_Pedidos completa é mostrada na Figura 7.

Figura 7. Exibição da fonte de dados

Após criar o DS e o DSV para uma análise mais detalhada dos dados, é possível

criar também cálculos nomeados, ou seja, nesse exemplo foram criados quatro

novos cálculos nomeados: MÊS_Pedido para retornar somente o mês, DIA_Pedido

para retornar somente o dia, ANO_Pedido para retornar somente o ano, e

HORA_Pedido para retornar somente as horas e minutos. Um cálculo nomeado é

como adicionar uma coluna derivada a uma exibição ou substituir o objeto da

tabela com uma consulta nomeada, o que é semelhante a criar uma exibição. Na

caixa de texto Expressão, digite a expressão conforme exemplo da Figura 8.

Figura 8. Tabela Pedidos de Clientes com cálculos nomeados

Definindo dimensões e adicionando

hierarquias

Agora podemos adicionar as dimensões ao cubo. Como um lembrete, você usa

uma dimensão para armazenar informações sobre entidades de negócios, como

pessoas, lugares e coisas. A coluna de chave deve identificar exclusivamente cada

registro na tabela para que o SSAS possa agregar ou agrupar dados corretamente

ao retornar resultados de consultas. Na página Selecionar Atributos de Dimensão,

você escolhe os atributos a serem incluídos na dimensão que você usa para definir

hierarquias ou rótulos de agrupamentos adicionais.

Se todos os atributos da tabela de dimensão devem ser incluídos ou não, dependerá

dos tipos de perguntas às quais você deseja dar suporte na sua solução de BI.

Adicione apenas a quantidade de atributos necessária para garantir que o SSAS

execute de maneira ideal, evitando o consumo desnecessário de espaço de

armazenamento e confusão dos usuários em virtude das múltiplas opções. Para

adicionar a primeira dimensão de tempo ao projeto chamada de DIM_TimePedido,

selecionamos os atributos ANO_Pedido, MÊS_Pedido, DIA_Pedido e

HORA_Pedido, que são os cálculos nomeados criados anteriormente, conforme

demonstrado na Figura 8. Utiliza-se o mesmo processo para criar a dimensão

Adicionais, porém essa com os atributos Refrigerante e Borda.

Depois de adicionar o primeiro atributo, um objeto da hierarquia é exibido com um

novo nível vazio abaixo dos atributos que você acabou de adicionar. Adicionamos

os atributos MÊS_Pedido, DIA_Pedido e HORA_Pedido à hierarquia soltando

cada um no espaço do nível vazio. Em seguida, renomeamos a hierarquia para

H_Time. Agora, a dimensão DIM_TimePedido com a hierarquia H_Time e a dimensão

DIM_Adicionais sem hierarquia, são exibidas no Gerenciador de Soluções indicado

na Figura 9, que é exibido na área do espaço de trabalho principal no SSDT.

Figura 9. Dimensão TimePedido com a hierarquia de tempo H_Time e dimensão

Adicionais sem hierarquias

Criando o cubo

Para criar um cubo de dados, usamos o Assistente de Cubo. Na página Selecionar

Tabelas de Grupos de Medidas, escolhemos Pedidos de Clientes, as tabelas de

grupos de medidas são sinônimos de tabelas de fatos. Em seguida, o assistente

exibe todas as colunas numéricas encontradas nas tabelas de grupos de medidas

selecionadas. Para manter a abordagem simples utilizada até agora, limpamos todas

as medidas com a limpeza da caixa de seleção Medida na parte superior da página

e, em seguida, selecionamos somente a medida Contagem de Pedidos de Clientes

que fará a contagem de registros de pedidos de pizza na base de dados. O nome da

medida deve ser curto, mas não tão curto para que não seja obscuro, então como

também se pode renomear medidas nessa página, selecione a medida Contagem de

Pedidos de Clientes e renomeie para Count.

Na página Selecionar Dimensões Existentes, o assistente exibe as dimensões já

criadas, ou seja, a dimensão DIM_TimePedido e a dimensão DIM_Adicionais.

Selecionamos as duas dimensões e criamos o cubo com o nome CUBE_Pedidos. O

cubo foi criado com êxito, o designer do cubo exibe os grupos de medidas e as

dimensões adicionadas ao cubo nos painéis a esquerda, e a data source view (DSV)

de origem à direita conforme apresenta a Figura 10.

Figura 10. Grupo de medidas Pedidos de Clientes e dimensões exibidas no designer

de cubo
Adicionando cálculos

Um recurso poderoso do SSAS é a capacidade de adicionar cálculos com o uso da

linguagem MDX. Nesse exemplo, você irá calcular a média do valor total de

pedidos, porém antes faz-se necessário adicionar uma nova medida ao cubo. Esta

nova medida irá realizar a soma de todos os valores da coluna Valor Total do

pedido. O assistente exibe uma lista de funções de agregação básica, sendo estas as

maneiras com que o valor dessa medida será manipulado. Neste exemplo vamos

utilizar a função de agregação Sum, a tabela de origem Pedidos de Clientes e a

coluna Valor Total do pedido.

Para calcular a média, será necessário criar um novo membro calculado, que fará a

divisão do valor total de pedidos de pizza pela quantidade de registro de pedidos de

pizza, utilizando as duas medidas Count e Sum conforme mostra a Figura 11.
Figura 11. Adicionando cálculos ao cubo

Implantando o banco de dados do Analysis

Services com o SSDT

Até agora foram criados somente os objetos necessários para criar o banco de

dados do SSAS no servidor, o próprio banco de dados ainda não existe. As tarefas

de design que executamos no SSDT produzem arquivos XML que devem ser

implantados no servidor. Após a implantação dos arquivos, você poderá processar

o banco de dados, que executa os comandos necessários para criar as estruturas de

armazenamento definidas pelos arquivos XML e popular essas estruturas com a

execução de consultas na fonte de dados especificada, sendo neste exemplo a

Pedidos de Clientes conforme demonstrado na Figura 5.

No SSDT, realizando o processo de implantação, a janela Progresso da

Implantação é aberta para mostrar cada etapa executada e se essa etapa foi

executada com êxito ou com falha. Depois da implantação de um projeto, ainda é

possível fazer alterações nos designers. Basta compilar e implantar o projeto

novamente, conforme descrito anteriormente, movendo suas alterações para o

servidor e iniciando o processamento. Se você receber um prompt perguntado se o

banco de dados será substituído, clique em Sim, se tiver certeza de que você é a

única pessoa que está fazendo alterações no banco de dados.

Algumas vezes, a alteração feita não dispara o comando para processar o banco de

dados depois da implantação. Se você processar uma dimensão com a opção

Processar Completo (que será necessária se você fizer uma alteração significativa

na dimensão), talvez você também precise processar o cubo.

Navegando pelo cubo

Em cada estágio do desenvolvimento, desde que o processo de implantação e

processo da solução tenha ocorrido com êxito, você pode rever o progresso a partir

do ponto de vista do usuário. No designer de cubo, na guia Navegador, o painel à

esquerda exibe os objetos no banco de dados do SSAS em uma árvore de

metadados demonstrada na Figura 12. O nó superior da árvore é o cubo. Expanda

o nó Medida e as pastas que ele contém para exibir todas as medidas disponíveis e,

em seguida, expanda os nós DIM_TempoPedido e DIM_Adicionais para exibir os

atributos dessas dimensões.

Figura 12. Árvore de metadados do cubo Pedidos

Para exibir os dados do cubo, adicione à grade as medidas Count, Sum e Avg,

também adicione o membro Borda da dimensão Adicionais e o membro

HORA_Pedido da dimensão de tempo TimePedido. Com os resultados dessa

simples consulta, você pode explorar o cubo de dados com a opção de análise em

Excel. No painel de navegação do cubo, clique no ícone de Analisar no Excel, em

seguida é gerada uma tabela dinâmica no Excel com todos os objetos do cubo.
O recurso Analisar no Excel é muito útil em conjunto de dados e relatórios que se

conectam ao SSAS. A tabela dinâmica terá conexão ativa com fonte de dados.

Cada vez que adicionar um campo para uma área de Valores, Linhas, Colunas ou

Filtros de uma lista de Campos, o Excel criará uma consulta e enviará ao SSAS.

Uma lista de Campos conectada ao SSAS inclui todos os objetos em um cubo.

Adicionando a medida Count para a área de Valores, você terá como resultado

2272, que é a quantidade de registros de pedidos de pizza. Em seguida,

adicionando o membro Borda da dimensão Adicionais, você terá como resultado

1989 para pedidos de pizza sem Borda, 153 para pedidos de pizza com Borda Tipo

1 e 130 pedidos de pizza com Borda Tipo 2. Se adicionar o membro

HORA_Pedido da dimensão de tempo TimePedido para a área de Colunas, é

possível comparar facilmente o aumento na frequência de pedidos de pizza com

borda do Tipo 1 e do Tipo 2 entre as 19h30 e as 21h50 conforme demonstra a

Figura 13.
Figura 13. Frequência de pedidos de pizza por hora e por tipo de borda

Melhorando a visualização do cubo com KPIs

Um KPI (indicador chave de desempenho) é baseado em uma medida específica e

é criado para ajudar o usuário final a avaliar o valor atual e o status de uma métrica

em relação a um destino definido.O KPI mede o desempenho do valor, definido

por uma medida Base, em relação a um valor de destino, também definido por uma

medida ou valor absoluto.Na terminologia empresarial, um KPI é uma medida

quantificável para medir os objetivos empresariais.

Para definir KPIs, primeiramente você deve definir um nome de KPI e o grupo de

medidas ao qual o KPI será associado. Um KPI pode ser associado a todos ou
apenas a um único grupo de medidas. Neste exemplo a KPI será associada ao

grupo de medidas Pedidos de Clientes, que contém as medidas Count que faz a

contagem de todos os pedidos, Sum que faz a soma do valor total de cada pedido e

Avg que calcula a média do valor total de pedidos, dividindo a medida Sum pela

medida Count. Depois disso, defina os seguintes elementos do KPI:

● A Expressão de Valor (valor atual): uma expressão de valor é uma medida

física como Count, uma medida calculada como Avg, que é definida dentro
do KPI usando uma expressão MDX. Para criar a Expressão de Valor, vá ao
designer do cubo, na guia KPI, a quarta guia da esquerda. Em seguida,
clique no botão Novo KPI na barra de ferramentas, o quinto botão a partir da
esquerda. Na caixa de texto nome digite KPI1. Em Grupo de medidas
associado, selecione um grupo de medidas, no nosso caso selecione o grupo
Pedidos de Clientes que contém as medidas criadas anteriormente (Count,
Sum e Avg). Neste exemplo será utilizada a medida Count, adicione até o
campo Expressão de Valor;
● A Expressão Meta (valor objetivo): uma expressão de meta é um valor, ou
uma expressão MDX que resolve um valor, que define o destino da medida
determinada pela expressão de valor. Por exemplo, uma expressão de meta
pode ser o valor definido pelos gerentes de negócios de uma empresa para
aumentar vendas ou ganhos. Para criar a expressão de meta, neste exemplo
utilize a mesma expressão do campo Expressão de Valor, porém adicione
um crescimento de 20%, multiplicando a expressão por 1.2, conforme
demonstra a Figura 14.
● A Expressão de Status: uma expressão de status é uma expressão MDX que
o Analysis Services usa para avaliar o status atual da expressão de valor
comparada com a expressão de meta. Uma expressão de meta é um valor
normalizado entre -1 e +1, onde -1 significa muito ruim e +1 significa muito
bom. A expressão de status exibe um gráfico para ajudá-lo a determinar de
forma fácil o status da expressão de valor comparada com a expressão de
meta.

Para criar a Expressão de status, neste exemplo utilize uma expressão MDX

simples, somente para demonstração, também o Indicador de status, Seta de

Variação. Depois em Expressão de status, digite a expressão conforme demonstra

a Figura 14: caso o resultado da expressão seja maior que 5, indica 1 para

visualizar a seta apontando para cima; caso o resultado da expressão seja igual a 5,

indica 0 para visualizar a seta apontando para o meio e, por fim, caso o resultado

da expressão seja menor que 5, indica -1 para visualizar a seta apontando para

baixo;

● A Expressão de tendência: uma expressão de tendência é uma expressão

MDX que o Analysis Services usa para avaliar a tendência atual da
expressão de valor comparada com a expressão de meta. Uma expressão de
tendência ajuda o usuário a determinar rapidamente se a expressão de valor
está melhorando ou piorando com relação à expressão de meta. Você pode
associar um dos vários gráficos à expressão de tendência para ajudar os
usuários empresariais a entender a tendência. No campo Indicador de
tendência, selecione a Seta padrão. A expressão MDX para a tendência
segue a mesma lógica da expressão de status, ou seja, 1 para visualizar a seta
apontando para cima, 0 para visualizar a seta apontando para o meio e -1
para visualizar a seta apontando para baixo. Neste exemplo, deixe o valor da
expressão em -1, para forçar que a tendência desta análise seja negativa,
conforme demonstra a Figura 14.
Figura 14. Definindo o KPI1

Caso queira testar o KPI, clique no ícone Exibição de Navegador e o resultado será

mostrado. Para voltar à visualização anterior, clique em Exibição de Formulário

logo à esquerda do ícone Exibição de Navegador. Pronto, o KPI está criado e agora

é o momento de analisar o resultado com ele. Para isso, processe o cubo

novamente.

Para visualizar o cubo com o novo KPI, vá até o painel de navegação do cubo,

clique no ícone de Análise em Excel, em seguida é gerada uma tabela dinâmica no

Excel com todos os objetos do cubo. Adicionando a medida Count e o KPI1 para a

área de Valores, você terá como resultado: 2272, da medida Count; 2726,4 em
KPI1 Meta, pois é o resultado da medida Count multiplicado por 1.2 (20%); em

KPI1 Status a seta apontando para cima pois o resultado da medida Count é maior

do que 5 e em KPI1 Tendência com a seta apontando para baixo, pois definimos a

expressão como -1 manualmente para forçar a tendência a ser negativa. O resultado

deste exemplo pode ser visualizado na Figura 15.

Figura 15. Visualização com o KPIs

No exemplo, foi demonstrado como utilizar o KPI somente com a medida Count,

sem utilizar qualquer dimensão. Neste exemplo adicione duas dimensões para

conseguir identificar melhor as tendências e metas. Utilize o atributo

HORA_Pedido da dimensão de tempo DIM_TimePedido (adicione o atributo para

a área de Linhas). A segunda dimensão será a DIM_Adicionais e o atributo Borda

(clique no atributo e adicione para a área de Colunas). Como esta é uma tabela

dinâmica, a visualização do resultado será imediata conforme demonstra a Figura

16.

Figura 16. Visualização do cubo com KPIs e dimensões

No exemplo demonstrado na Figura 16, usamos um KPI para identificar algumas

tendências nas vendas de pizza com Borda. Podemos perceber que no intervalo de
tempo das 19h30 até as 21h50 a meta de crescimento em 20% foi alcançada, pois a

seta de variação na coluna Total KPI1 Status está verde e aponta para cima,

enquanto que em outros horários a seta de variação está vermelha e aponta para

baixo indicando que a meta não foi alcançada ou a seta de variação está amarela e

aponta para o meio indicando que não está abaixo nem acima da meta.

No SSAS, o KPI é uma coleção de cálculos associada a um grupo de medidas em

um cubo usado para avaliar o sucesso nos negócios. Normalmente esses cálculos

são uma combinação de MDX ou membros calculados, também contém metadados

que fornecem informações adicionais sobre como os aplicativos cliente devem

exibir os resultados de cálculos de KPIs.

Com o crescente volume de informações que as empresas têm que administrar nos

dias atuais, e certamente estes volumes tendem a crescer cada vez mais, além do

surgimento de novas tecnologias, é imprescindível o uso de ferramentas de BI para

auxiliar na tomada de decisão, filtrando informações e transformando-as em

conhecimentos úteis, através de relatórios capazes de responder as suas questões

gerenciais. Em vez de dedicar tempo à coleta de dados, as empresas agora

concentram-se no que as informações podem revelar sobre tendências de negócio.