Modelagem e Tecnologia OLAP

Prévia do material em texto

MODELAGEM E TECNOLOGIA OLAP 1 
 
 
Modelagem e tecnologia OLAP 
 
 
 
 
MODELAGEM E TECNOLOGIA OLAP 2 
Modelagem e Tecnologia Online Analytical Processing (OLAP) 
 
O que é a tecnologia OLTP e OLAP? 
 
Uma coisa é possuir a informação, outra é a forma como a consultamos! 
Partindo deste princípio, nos primórdios da informatização, quando sistemas que 
geravam relatórios era a principal fonte de dados residentes na empresa, toda vez que 
uma análise necessitasse ser feita, era preciso produzir novos relatórios. 
 
Estes relatórios tinham que ser produzidos pela área de Informática e, normalmente, 
precisavam de muito tempo para ser disponíveis aos usuários finais, além disso, 
apresentavam alguns problemas, como: eram estáticos e o acúmulo de diferentes tipos 
de relatórios em um sistema gerava problema de manutenção. 
 
No cenário que vivenciamos atualmente, onde mudanças mínimas podem fazer a 
diferença entre o sucesso e a falência, torna-se questão de sobrevivência poder 
antecipar-se aos concorrentes e entender, de forma mais flexível e ágil, as inúmeras 
variáveis que regem o mercado. 
 
Quando se fala na capacidade de análise, os sistemas usados por uma empresa podem 
ser divididos em dois tipos: OLTP e OLAP. Os sistemas OLTP (Online Transactional 
Process), também conhecidos como transacionais, são excelentes para administrar o 
dia a dia das organizações, mas pecam quando o objetivo é o planejamento 
estratégico. 
 
Os relatórios que os sistemas OLTP fornecem são restritos a uma visão bidimensional 
do negócio, que não possibilita aos tomadores de decisão a flexibilidade que 
necessitam na análise da organização como um todo. Esses relatórios trabalham com 
o conceito de agrupamento linear das informações. Pode-se citar, como exemplo disso, 
 
 
MODELAGEM E TECNOLOGIA OLAP 3 
um relatório que exiba as vendas de determinado produto por região, tendo os 
produtos e as regiões agrupadas em níveis hierárquicos simples. 
 
Vide figura abaixo: 
 
 
 
A maior parte das empresas utiliza-o no processamento dos dados de rotina que são 
gerados diariamente em transações, em tempo real, e de forma rápida, e dão suporte 
às funções de execução do negócio organizacional, porém não salvam histórico de 
dados, logo não são ideais para utilização em suporte à tomada de decisão. 
 
Seus principais pontos fortes são: 
Eficiência: A possibilidade da redução de documentos e maior velocidade na resposta 
dos cálculos de despesas ou retornos são exemplos de como esse sistema pode 
beneficiar a empresa que o tem como base de seu SGBD; 
Simplicidade: Permite que o acesso aos dados seja mais fácil, rápido e organizado, 
fazendo com que sua utilização aperfeiçoe processos. 
Devido à necessidade de mais agilidade das informações e sem ficar dependendo de 
outros para os gestores tomarem decisões, surgiu o conceito de OLAP (Online Analytic 
Processing). O OLAP proporciona as condições de análise de dados online necessárias 
para responder às possíveis torrentes de perguntas dos analistas, gerentes e 
executivos. 
 
 
MODELAGEM E TECNOLOGIA OLAP 4 
OLAP é implementado de modo a oferecer respostas rápidas às consultas. As 
ferramentas OLAP são as aplicações que nossos usuários finais têm acesso para 
extraírem os dados de suas bases e construir os relatórios capazes de responder as 
suas questões gerenciais. Elas surgiram juntamente com os Sistemas de Apoio à 
Decisão para fazerem a consulta e análise dos dados contidos nas bases de dados 
analíticas (Data Warehouse e Data Marts). 
 
O resultado deste tipo de análise é, por meio do comportamento de determinadas 
variáveis no tempo, descobrir tendências, e com isso transformar os dados 
transacionais em informação estratégica. 
 
A seguir, uma tabela para visualização das diferenças entre o OLTP e OLAP: 
 
 
CARACTERÍSTICAS OLTP OLAP 
Operação Típica Update Analyze 
Telas Imutável User defined 
Nível de Dados Atomizado Altamente sumarizado 
Idade dos Dados Presente Histórico, atual e projetado 
Recuperação Um registro por vez Muitos registros 
Orientação Registro Arrays 
Modelagem Processo Assunto 
 
Os sistemas OLTP são alterados regularmente, pois controlam as operações diárias 
das empresas. Se uma informação possui um valor incorreto os resultados podem ser 
catastróficos. 
 
Já sistemas OLAP não são alterados constantemente. Por ter uma função de análise, 
os dados de um sistema OLAP são provenientes de um ou mais sistemas OLTP e 
arquivos (planilhas, e-mails, XML etc.). Exatamente por ter uma massa de dados maior 
 
 
MODELAGEM E TECNOLOGIA OLAP 5 
que um sistema OLTP, um valor incorreto em um sistema OLAP não tem grande 
importância, pois o erro é diluído no tempo, não sendo analiticamente importante. 
 
A capacidade de análise da empresa cresce exponencialmente com este novo tipo de 
ferramenta. O antigo relatório de vendas de produto por região pode ser expandido 
para um relatório da evolução das vendas de diferentes produtos por região, faixas 
etárias ou grupos de produtos no decorrer do tempo. Essa mudança de visão traz o 
novo conceito: o de agregar informações e não mais simplesmente agrupá-las. 
 
OLAP é um conceito de interface com o usuário que proporciona a capacidade de ter 
ideias sobre os dados, permitindo analisá-los profundamente em diversos ângulos. As 
funções básicas do OLAP são: 
 
• visualização multidimensional dos dados; 
• exploração; 
• rotação; 
• vários modos de visualização. 
 
Funciona de forma dedicada à tomada de decisão, possui varias dimensões 
visualizáveis, hierarquizadas em várias granularidades e segue um modelo lógico 
multidimensional. São, geralmente, desenvolvidas para trabalhar em bancos de dados 
não normalizados e com dados históricos. 
 
Os dados presentes neste sistema não podem ser alterados, já que o sistema 
permite update dos dados, mas não manipulações com exclusão ou modificação direta 
dos dados. 
 
Sua principal característica é a visão multidimensional, são consultas que fornecem 
informações sobre os dados presentes em uma ou mais dimensões. 
 
Uma vez que os dados são históricos, as atualizações não precisam ser tão frequentes. 
Por exemplo, em uma comparação entre a produtividade de três filiais de uma empresa 
 
 
MODELAGEM E TECNOLOGIA OLAP 6 
para um determinado produto nos últimos quatro meses, por mês, o dia de hoje ou 
mesmo ontem não é, em geral, de grande representatividade. 
As análises, geralmente, agrupam informações, sendo tais agrupamentos mais 
importantes neste contexto do que os dados detalhados. No exemplo do item anterior, 
o importante é a produção conjunta mensal, e não a produção de uma unidade 
particular do produto analisado. 
 
Os Métodos de Armazenamento (Modelos Físicos) do OLAP 
O OLAP é uma interface com o usuário e não uma forma de armazenamento de dados, 
porém se utiliza do armazenamento para poder apresentar as informações. 
Os métodos de armazenamento são: 
• ROLAP (OLAP Relacional): 
Os dados são armazenados de forma relacional. 
• MOLAP (OLAP Multidimensional): 
Os dados são armazenados de forma multidimensional. 
• HOLAP (OLAP Híbrido): 
Uma combinação dos métodos ROLAP e MOLAP. 
• DOLAP (OLAP Desktop): 
 
O conjunto de dados multidimensionais deve ser criado no servidor e transferido para 
o desktop. Permite portabilidade aos usuários OLAP que não possuem acesso direto 
ao servidor. 
 
Os métodos mais comuns de armazenamento de dados utilizados pelos sistemas OLAP 
são ROLAP e MOLAP, a única diferença entre eles é a tecnologia de banco de dados. 
O ROLAP usa a tecnologia RDBMS (Relational DataBase Management System), na qual 
os dados são armazenados em uma série de tabelas e colunas. Enquanto o MOLAP 
usa a tecnologia MDDB (Multidimensional Database), onde os dados são armazenados 
em arrays multidimensionais. 
 
 
 
MODELAGEM E TECNOLOGIA OLAP 7 
Os dois fornecem uma base sólidapara análise e apresentam tanto vantagens quanto 
desvantagens. Para se escolher entre os dois métodos deve-se levar em consideração 
os requisitos e a abrangência do aplicativo a ser desenvolvido. 
 
Desempenho de Consulta entre o MOLAP e ROLAP 
MOLAP fornece uma resposta rápida para praticamente qualquer consulta, pois no 
modelo multidimensional são gerados previamente todas as combinações e resumos 
possíveis. 
 
ROLAP responde às consultas da mesma forma que os aplicativos RDBMS, a velocidade 
da resposta depende da informação desejada, porque a maior parte do processamento 
é feito em tempo de execução tendo em vista que os dados pré-calculados e 
resumidos, geralmente, não atendem a todas as solicitações dos usuários. 
 
Vantagens e Desvantagens de cada Método de Armazenamento 
MOLAP 
Características: 
• Arquitetura OLAP tradicional; 
• Os dados são armazenados em cubos dimensionais, em formatos proprietários, 
e não em banco de dados relacionais; 
• O usuário trabalha, monta e manipula os dados do cubo diretamente no 
servidor. 
Vantagens: 
• Alto desempenho: os cubos são construídos para uma rápida recuperação de 
dados; 
• Pode executar cálculos complexos: todos os cálculos são pré-gerados quando o 
cubo é criado e podem ser facilmente aplicados no momento da pesquisa de 
dados. 
Desvantagens: 
• Baixa escalabilidade: sua vantagem de conseguir alto desempenho com a pré-
geração de todos os cálculos, no momento da criação dos cubos, faz com que 
o MOLAP seja limitado a uma pouca quantidade de dados. Esta deficiência pode 
 
 
MODELAGEM E TECNOLOGIA OLAP 8 
ser contornada pela inclusão apenas do resumo dos cálculos quando se 
construir o cubo; 
• Investimentos altos: este modelo exige investimentos adicionais como cubo de 
tecnologia proprietária. 
Termos chave: 
• Armazenamento dos dados em cubos dimensionais e em formato proprietário; 
• Alto desempenho; 
• Execução de cálculos complexos; 
• Baixa escalabilidade. 
ROLAP 
Características: 
• Os dados são armazenados em banco de dados relacionais; 
• A manipulação dos dados armazenados, no banco de dados relacional, é feita 
para dar a aparência de operação em cubos; 
Vantagens: 
• Alta escalabilidade: usando a arquitetura ROLAP, não há nenhuma restrição na 
limitação da quantidade de dados a serem analisados, cabendo essa limitação 
ao próprio banco de dados relacional utilizado; 
• Pode alavancar as funcionalidades inerentes do banco de dados relacional: 
Muitos bancos de dados relacionais já vêm com uma série de funcionalidades e 
a arquitetura ROLAP pode alavancar estas funcionalidades. 
Desvantagens: 
• Baixo desempenho: cada relatório ROLAP é basicamente uma consulta SQL (ou 
várias consultas SQL) no banco de dados relacional e uma consulta pode 
consumir muito tempo se houver uma grande quantidade de dados; 
• Limitado pelas funcionalidades SQL: ROLAP se baseia principalmente na 
geração de instruções SQL para consultar a base de dados relacional, porém 
essas instruções não suprem todas as necessidades (por exemplo, é difícil 
realizar cálculos complexos utilizando SQL). Portanto, usar ROLAP é se limitar 
ao que instruções SQL podem fazer. 
Termos chave: 
• Alta escalabilidade; 
 
 
MODELAGEM E TECNOLOGIA OLAP 9 
• Pode alavancar as funcionalidades inerentes do banco de dados relacional; 
• Baixo desempenho; 
• Limitado pelas funcionalidades SQL. 
HOLAP 
Características: 
• HOLAP tenta combinar as vantagens de MOLAP e ROLAP, extraindo o que há 
de melhor de cada uma, ou seja, a alta performance do MOLAP com a melhor 
escalabilidade do ROLAP; 
• Para informações do tipo síntese, HOLAP utiliza cubos dimensionais para um 
desempenho mais rápido; 
• Quando for necessário mais detalhe de uma informação, HOLAP pode ir além 
do cubo multidimensional para o banco de dados relacional utilizado no 
armazenamento dos detalhes. 
Vantagens: 
• Alto desempenho: os cubos dimensionais apenas armazenam síntese das 
informações; 
• Alta escalabilidade: os detalhes das informações são armazenados em um 
banco de dados relacional. 
Desvantagens: 
• Arquitetura de maior custo: é modelo que possui o maior custo de aquisição. 
Termos chave: 
• Alto desempenho; 
• Alta escalabilidade; 
• Arquitetura de maior custo. 
DOLAP 
Característica: 
• São as ferramentas que, a partir de um cliente qualquer, emitem uma consulta 
para o servidor e recebem o cubo de informações de volta para ser analisado 
na estação cliente. 
Vantagens: 
• Pouco tráfego na rede: todo o processamento OLAP acontece na máquina 
cliente; 
 
 
MODELAGEM E TECNOLOGIA OLAP 10 
• Não sobrecarrega o servidor de banco de dados: como todo o 
processamento acontece na máquina cliente, o servidor fica menos 
sobrecarregado. 
Desvantagem: 
• Limitação do cubo de dados: o tamanho do cubo de dados não pode ser 
muito grande, caso contrário, a análise passa a ser demorada e/ou a máquina 
do cliente pode não suportar em função de sua configuração. 
Termos chave: 
• Pouco tráfego na rede; 
• Não sobrecarrega o servidor de banco de dados; 
• Limitação do cubo de dados. 
Síntese das arquiteturas em Desempenho, Escabilidade e Custo. 
 
 
 
Além da visão multidimensional dos dados da empresa, outras importantes 
características dos sistemas OLAP são: 
• Análise de tendências. A tecnologia OLAP é mais do que uma forma de visualizar 
a história dos dados. Deve, também, ajudar os usuários a tomar decisões sobre 
o futuro, permitindo a construção de cenários ("e se ...") a partir de suposições 
e fórmulas aplicadas, pelos analistas, aos dados históricos disponíveis; 
• Busca automática (reach through) de dados mais detalhados que não estão 
disponíveis no servidor OLAP. Detalhes não são normalmente importantes na 
tarefa de análise, mas quando necessários, o servidor OLAP deve ser capaz de 
buscá-los; 
• Dimensionalidade genérica; 
• Possibilidade de fazer cálculos e manipulação de dados através de diferentes 
dimensões; 
 
 
MODELAGEM E TECNOLOGIA OLAP 11 
• Possibilidade de ver os dados de diferentes pontos de vista (slice and dice), 
mediante a rotação (pivoting) do cubo e a navegação (drill-up/drill-down) entre 
os níveis de agregação; 
• Conjunto de funções de análise e cálculos não triviais com os dados. 
 
Cubo 
Vimos algumas vezes que as informações em OLAP podem ser visualizadas em diversas 
visões, isto nos leva ao conceito de cubo, permitindo a visualização da informação em 
diferentes posições, seja por necessidade de verificação da informação detalhada ou 
resumida, seja por verificação em diferentes pontos de vista. Os cubos são utilizados 
para organizar a informação, utilizando valores ou medidas, assim efetuando 
combinações necessárias desses dados. Por meio desses, é formada a visão para 
efetuar análise do negócio como, produtos, departamentos etc. 
 
Cubos são modelos multidirecionais que acabam simplificando o processo de consultas 
complexas, como criar relatórios ou efetuar análises de situações. Por meio dos cubos 
podemos definir hierarquias (níveis), como, por exemplo: anos, meses, dias ou país, 
região, estado e cidade (da visão macro para a micro), assim organizando e agilizando 
o processo de consulta. Por exemplo, um cubo com informações de vendas, poderá 
ser composto por dimensões de tempo, região, produto, cliente, e medidas como valor 
de venda, unidades vendidas, custos, margem etc. 
 
Os cubos utilizados no BI podem ser comparados com o tradicional Cubo Mágico. Por 
meio deles podem ser montadas diversas visões para análise do negócio e obter 
diversas combinações, assim como no Cubo Mágico pode-se obter várias combinações 
de cores. É preciso saber que um cubo utilizado no BI não segue o conceito da figura 
geográfica (todos os lados iguais), pois a palavra apenas serve para definir o conceito, 
não necessariamente tudo precisa ser igual (dados), pois as múltiplas combinações 
podem gerar diferentes resultados.O cubo apresenta a característica de possuir armazenamento e indexação em 
estruturas de dados que otimizam consultas ao invés de atualizações. 
 
 
MODELAGEM E TECNOLOGIA OLAP 12 
 
A Figura ilustra uma representação de um cubo com três dimensões: Produto, Região 
e Tempo. 
 
 
 
Cubo, nada mais é do que uma metáfora ajudando a entender como se comporta uma 
visão multidimensional. É importante dizer que cubo e OLAP ou mesmo cubo e BI não 
são a mesma coisa. Um cubo é apenas uma visão multidimensional (como se fosse 
um relatório), OLAP é a técnica, teoria ou ferramenta usada para se construir cubos e 
BI é o conjunto de cubos, KPI (Indicadores de desempenho), relatórios e demais 
ferramentas que compõe uma solução de análise gerencial e estratégica de uma 
empresa. 
 
Um cubo, para ser reconhecido como tal, deve prover as seguintes operações: 
 
• Drill down: significa descer um nível hierárquico em uma dimensão. Ex.: 
dimensão tempo, ano para o trimestre e trimestre para o mês; 
• Drill up/Roll up: significa subir um nível hierárquico em uma dimensão. Ex.: 
dimensão produto, subir o nível do produto para categoria do produto; 
• Drill across: significa analisar um nível intermediário dentro de uma mesma 
dimensão. Ex.: dimensão produto, venda dos produtos em um determinado 
ano, venda de um produto X no ano Y; 
 
 
MODELAGEM E TECNOLOGIA OLAP 13 
• Drill throught: significa alternar a análise de uma dimensão para outra. Ex.: 
produto para região ou mesmo de uma agregação (todas as vendas de agosto 
de 2017) para os detalhes (tabela com cada venda no período citado); 
• Drill back/Write back: é bastante utilizado em previsões e consiste na ação 
de alterar os valores existentes em um cubo OLAP. Pode ser usado, por 
exemplo, para medir o impacto na empresa do aumento, em 10% do 
orçamento, para o ano seguinte; 
• Slice: significa analisar determinada fatia do cubo OLAP. Ex.: analisar certo 
produto em uma determinada região; 
• Dice: significa alterar a visão de um cubo OLAP, alterando a análise de vendas 
dos produtos por região para vendas por faixa etária de cada mês; 
• Pivot: permite diferenciar as visualizações por meio de trocas de colunas por 
linhas ou alterando eixos das tabelas; 
• Rank: permite ordenar os dados de uma dimensão de acordo com a medida 
corrente e serve também como filtro com ordenar os valores de vendas por 
ordem de data ou do maior para o menor valor. 
 
 
Modelagem de Dados Multidimensional 
O OLAP contém dois tipos básicos de dados: medidas, que são dados numéricos, as 
quantidades e médias que você usa para tomar decisões comerciais estando bem 
informado; e dimensões, que são as categorias que você usa para organizar essas 
medidas. Os bancos de dados OLAP ajudam a organizar os dados por muitos níveis de 
detalhe, usando as mesmas categorias com as quais você está familiarizado para 
analisar os dados. 
 
Toda modelagem dimensional possui dois elementos imprescindíveis: Entidades e 
Relacionamentos (E-R) e a modelagem Multidimensional possui os elementos: Tabela 
Fato e Dimensões. 
 
 
 
 
 
MODELAGEM E TECNOLOGIA OLAP 14 
É de grande importância uma boa modelagem multidimensional para permitir bom 
desempenho, intuitividade e escalabilidade em um banco de dados analítico que é o 
grande suporte da solução de BI. A cautela e o empenho no planejamento e na 
elaboração da modelagem poderão garantir, a médio e longo prazo, um armazém de 
dados de qualidade com insights valiosos para toda a organização no uso do BI. 
 
A granularidade é uma das mais importantes definições na modelagem de dados e 
requer atenção. 
 
O grão é o menor nível da informação e é definido de acordo com as necessidades 
elencadas no início do projeto. Ele é determinado para cada tabela Fato, já que 
normalmente possuem informações e granularidades distintas. 
 
É importante entender o relacionamento que existe entre o detalhamento e a 
granularidade. Quando falamos de menor granularidade, ou granularidade fina, 
significa maior detalhamento (menor sumarização) dos dados. Maior granularidade, 
ou granularidade grossa, significa menor detalhamento (maior sumarização). Assim 
podemos notar que a granularidade e o detalhamento são inversamente proporcionais. 
 
A granularidade afeta diretamente no volume de dados armazenados, na velocidade 
das consultas e no nível de detalhamento das informações. Quanto maior for o 
detalhamento, maior será a flexibilidade para se obter respostas. Porém, maior será o 
volume e menor a velocidade das consultas. Já quanto menor for o detalhamento, 
menor será o volume, maior a sumarização dos dados e melhor será a performance. 
Entretanto, menor será a abrangência, ou seja, maior será as restrições das consultas 
às informações. 
 
A sumarização e o detalhamento do grão também podem ser compreendidos pelas 
operações de Drill Down e Roll Up (Drill Up). Com o Drill Down estamos diminuindo o 
nível da granularidade, aumentando assim o nível de detalhes. Ao contrário disso, o 
Roll Up aumenta o nível da granularidade, diminuindo dessa forma, o nível de 
detalhamento das informações. 
 
 
MODELAGEM E TECNOLOGIA OLAP 15 
 
 
 
Deve ser avaliado o equilíbrio entre detalhamento e sumarização para que a 
granularidade seja modelada com a melhor eficiência e eficácia para as consultas dos 
usuários, sempre levando em consideração as necessidades apuradas no começo do 
projeto. Nada vai adiantar deixar a granularidade alta sem que seja alcançado o grão 
exigido pelo negócio. 
 
Também é necessário avaliar o tipo de métrica empregada nas tabelas Fatos. No 
aspecto de obtenção de respostas, as Fatos com métricas aditivas terão uma melhor 
flexibilidade para se ter menor granularidade. As métricas semiaditivas, como saldo, 
ou métricas não aditivas, como percentuais, serão indicadas para se definir uma alta 
granularidade. 
 
Portanto, devemos analisar os diversos fatores e aspectos para uma melhor definição 
dos grãos das tabelas Fatos. As questões de volume de dados, performance e 
requisitos devem ser ponderadas para se chegar a uma correta decisão. Por fim, a 
granularidade é um assunto de grande importância e enorme impacto, que, se mal 
dimensionado, pode acarretar até mesmo na inviabilização do projeto. 
 
http://corporate.canaltech.com.br/materia/business-intelligence/Tipos-de-metricas-existentes-no-Data-Warehouse/
 
 
MODELAGEM E TECNOLOGIA OLAP 16 
Tabela Fato e Dimensões na Modelagem Multidimensional 
O que é uma tabela Fato? 
• Uma coleção de itens de dados, ou seja, os itens do negócio, ou ainda, os 
eventos do negócio; 
• São as medições numéricas do negócio; 
• É evolutivo, muda suas medidas com o tempo; 
• São os eventos do negócio que vão acontecendo dinamicamente e exigem 
a presença das dimensões. 
 
Existem três características que sempre teremos que analisar nos itens dos negócios 
para identificação dos Fatos: 
• Varia ao longo do tempo; 
• Possui valores numéricos de avaliação; 
• Seu histórico pode ser mantido e cresce com o passar do tempo. 
 
A tabela Fato possui característica quantitativa dentro do DW. A partir dela são 
extraídas as métricas que são cruzadas com os dados das Dimensões, concebendo, 
assim, informações significativas para a análise do usuário. A Fato armazena as 
medições necessárias para avaliar o assunto pretendido. O conteúdo histórico da base 
de dados analítica, contendo longo período de tempo, fica depositado na Fato. 
O que são Dimensões? 
• Junção de tabelas de Fatos através de chave estrangeira; 
• Linhas extensas com numerosas colunas de texto, altamente descritivas; 
• Em geral, são tabelas pequenas; 
• São definições de dimensões de negócio com terminologia familiar aos 
usuários; 
• É o acesso às tabelas Fatos; 
• Altamente indexadas. 
Um conjunto de uma ou mais hierarquias organizadas de níveis em um cubo que um 
usuário entende e usa como a basepara a análise de dados. Por exemplo, uma 
dimensão geográfica talvez inclua níveis para país/região, estado/província e cidade. 
 
 
MODELAGEM E TECNOLOGIA OLAP 17 
Ou, uma dimensão de tempo talvez inclua uma hierarquia com níveis para ano, 
trimestre, mês e dia. Em um relatório de tabela dinâmica ou relatório de gráfico 
dinâmico, cada hierarquia se torna um conjunto de campos que você pode expandir e 
recolher para revelar níveis mais baixos ou mais altos. 
 
As Dimensões estabelecem a organização dos dados, determinando possíveis 
consultas/cruzamentos. 
Por exemplo: região, tempo, canal de venda,… Cada dimensão pode ainda ter seus 
elementos, chamados membros, organizados em diferentes níveis hierárquicos. A 
dimensão tempo, por exemplo, pode possuir duas hierarquias: calendário (com os 
níveis ano, mês e dia) e calendário fiscal (com os níveis ano, semana e dia). 
O que são Medidas? 
Os valores a serem analisados, como médias, totais e quantidades. 
O que são Agregações? 
Totalizações calculadas nos diversos níveis hierárquicos. 
 
Modelo Star Schema (esquema estrela) 
A estrutura dimensional normalmente é desenhada no formado do esquema estrela. 
Nesse modelo, as tabelas de Dimensões são ligadas diretamente à tabela Fato. Outra 
característica marcante é que os dados são desnormalizados, pois a redundância 
resultante gera benefícios para a otimização das consultas e navegação das 
informações. 
 
A imagem a seguir permite uma visualização simples do que seria um esquema estrela 
na modelagem de dados multidimensional: 
 
 
 
MODELAGEM E TECNOLOGIA OLAP 18 
 
 
Perceba que a Fato fica centralizada no modelo e as Dimensões (tabela auxiliares) 
ficam na zona periférica, fazendo assim a analogia com o formato estelar. 
 
 
 
 
MODELAGEM E TECNOLOGIA OLAP 19 
 
 
As Dimensões e Fatos são componentes complementares e dependentes entre si. Em 
um modelo dimensional é obrigatória a existência de ambos. Sem um desses 
elementos, a compreensão e análise das informações ficam comprometidas no modelo 
dimensional, ou até mesmo inviabilizadas. 
 
Portanto, na estrutura multidimensional, é possível cruzar as informações dos dados 
centrais (métricas) 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. 
 
Modelo Snow Flake (Floco de Neve) 
O modelo Snow Flake é parecido como o Star Schema. A diferença principal está na 
normalização das tabelas dimensões. Isso facilita a evolução das dimensões e ajuda a 
 
 
MODELAGEM E TECNOLOGIA OLAP 20 
desocupar algum espaço antes utilizado pelas próprias, porém como passa a existir a 
necessidade de junções para acessar dados normalizados o tempo de resposta acaba 
ficando maior e talvez, até mesmo pela velocidade e facilidade, o modelo Estrela seja 
mais popular. 
 
A decisão de optar pelo esquema estrela ou pelo floco de neve deve ser tomada 
levando-se em consideração o volume de dados, o SGBD, as ferramentas utilizadas 
etc. 
Abaixo, segue uma tabela com a comparação entre os dois esquemas: 
 
 Modelo Estrela Modelo Floco de Neve 
Tabela Dimensão Não normalizada Normalizada 
Tamanho Físico Grande volume já que os 
dados se repetem nas 
tabelas Dimensões não 
normalizadas 
Volume reduzido, já que os 
dados das tabelas Dimensões 
são normalizados para evitar 
repetições 
Velocidade das 
consultas 
Rápida Menos rápida do que o modelo 
estrela devido à normalização 
 
Para uma modelagem correta, temos que seguir algumas regras: 
1) Carregue dados detalhados para as estruturas dimensionais 
Modelos dimensionais devem ser populados com um alicerce de dados detalhados para 
suportar os requisitos imprevisíveis de filtragem e agrupamento necessários para 
atender as consultas dos usuários de negócios. Usuários, normalmente, não precisam 
visualizar um registro por vez, mas é impossível prever em quais diferentes maneiras 
eles pretendem ver os dados e acessar os detalhes. Se apenas dados agregados 
estiverem disponíveis, então você já deve ter se deparado com padrões de utilização 
dos dados que levaram os usuários a chegar a uma barreira intransponível quando 
eles querem acessar os detalhes. É claro, dados detalhados podem ser 
complementados por modelos dimensionais agregados que trazem vantagens de 
desempenho para consultas frequentes de dados sumarizados, mas os usuários de 
 
 
MODELAGEM E TECNOLOGIA OLAP 21 
negócios não conseguem viver apenas dos dados agregados; eles precisam dos 
detalhes sangrentos para responder seus diferentes questionamentos. 
2) Estruture os modelos dimensionais em torno dos processos de 
negócios 
Os processos de negócios são as atividades desenvolvidas por sua empresa; elas 
representam eventos mensuráveis, como registrar um pedido ou emitir uma fatura 
para um consumidor. Processos de negócios, normalmente, capturam ou geram 
métricas únicas de desempenho associadas a cada evento. Essas métricas são 
traduzidas em fatos, com cada processo de negócios representado por uma única 
tabela Fato. 
Além destas tabelas Fato para cada processo, tabelas Fato consolidadas às vezes são 
criadas para combinar métricas de vários processos em uma tabela Fato com um nível 
padronizado de detalhe. Novamente, tabelas Fato agregadas são um complemento 
para as tabelas Fato detalhadas relacionadas aos processos de negócio, e não um 
substituto para elas. 
 
3) Tenha certeza de que cada tabela Fato tenha uma Dimensão de 
data associada 
Os eventos mensuráveis descritos, na Regra 2, sempre têm uma data de algum tipo 
associada a eles, seja um balancete mensal ou uma transferência de dinheiro 
registrada em seu centésimo de segundo. Cada tabela Fato deve ter, ao menos, uma 
chave estrangeira associada a uma tabela de Dimensão de data, cuja granularidade é 
cada único dia, com os atributos de calendário e suas características não padronizadas 
relacionadas à data do evento, como o período fiscal ou um indicador corporativo de 
feriado. Às vezes, múltiplas chaves estrangeiras de data estão ligadas em uma única 
tabela Fato. 
 
4) Certifique-se de que todos os fatos, em uma única tabela Fato, 
estejam na mesma granularidade ou no mesmo nível de detalhe 
Existem três granularidades fundamentais para classificar todas as tabelas 
Fato: transacional, snapshot periódico, ou snapshot acumulado. Independente de sua 
granularidade, cada métrica em uma tabela Fato deve estar exatamente no mesmo 
 
 
MODELAGEM E TECNOLOGIA OLAP 22 
nível de detalhe. Quando você mistura fatos representando muitos níveis de 
granularidade, em uma mesma tabela Fato, você estará criando confusão para os 
usuários de negócios e tornando as aplicações de BI vulneráveis a erros de valores ou 
outros resultados incorretos. 
 
5) Resolva relacionamentos muitos para muitos em tabelas Fato 
Como uma tabela Fato guarda os resultados de um evento, de um processo de 
negócios, existem, inerentemente, relacionamentos muitos para muitos (M:M) entre 
suas chaves estrangeiras, como diferentes produtos vendidos em diferentes lojas em 
diferentes dias. Esses campos de chaves estrangeiras nunca devem conter valores 
nulos. Às vezes, dimensões podem ter valores diferentes para uma única métrica, 
como diferentes diagnósticos associados com uma consulta médica ou diferentes 
clientes de uma conta bancária. Nestes casos, seria irracional resolver as dimensões 
multivaloradas diretamente na tabela Fato, pois isto poderia violar a granularidade 
natural da métrica. Podemos usar um relacionamento muitos para muitos, com uma 
tabela de relacionamento em conjunto com a tabela Fato. 
 
6) Resolva os relacionamentos muitos para um nas tabelas 
Dimensões 
Hierarquicamente, relacionamentos muitos para um (M:1) entre atributos são 
normalmente desnormalizados ou concentrados em uma única tabela Dimensão.Caso 
você não queira passar a maior parte de sua carreira desenhando modelos entidade-
relacionamento para sistemas transacionais, você precisa resistir a sua instintiva 
tendência a normalizar ou criar um snow flake com subdimensões menores para cada 
relacionamento M:1; desnormalização de dimensões é a regra do jogo na modelagem 
dimensional. 
É bastante comum ter muitos relacionamentos M:1 em uma única tabela dimensão. 
Relacionamentos um para um, como uma única descrição de produto associada a um 
código de produto, também são encontradas em uma tabela Dimensão. 
Ocasionalmente, relacionamentos muitos para um são resolvidos na tabela Fato, como 
no caso de uma tabela de Dimensão detalhada com milhões de linhas e com atributos 
 
 
MODELAGEM E TECNOLOGIA OLAP 23 
frequentemente atualizados. Entretanto, usar a tabela Fato para resolver 
relacionamentos M:1 deve ser feito moderadamente. 
 
7) Gravar nomes de relatórios e valores de domínios de filtros em 
tabelas Dimensão 
Os códigos e, mais importante ainda, as decodificações e descrições associadas a eles 
usadas como nomes de colunas em relatórios e como filtros em consultas devem ser 
gravadas em tabelas Dimensionais. Evite gravar campos com códigos criptográficos ou 
volumosos campos descritivos na própria tabela Fato; da mesma forma, não grave 
apenas o código na tabela de Dimensão e assuma que os usuários não precisam das 
decodificações descritivas ou que elas podem ser resolvidas na aplicação de BI. Se a 
informação for um nome de linha/coluna ou um filtro de menu, então ela deve ser 
tratada como um atributo de Dimensão. 
Embora tenhamos dito, na Regra #5, que as chaves estrangeiras de tabelas Fato 
nunca devam ser nulas, também é aconselhável evitar nulos em campos de atributos 
de tabelas Dimensão trocando o valor nulo por um valor como "NA" (não se aplica) ou 
algum outro valor padrão, determinado pela administração de dados, para reduzir a 
confusão entre os usuários, se possível. 
 
8) Tenha certeza de que as tabelas Dimensão usam uma chave 
artificial 
Chaves artificiais, sem significado e sequenciais (exceto para a dimensão Data, onde 
chaves cronologicamente definidas e mais inteligíveis são aceitáveis) provêm um 
grande número de benefícios operacionais; chaves menores significam menores 
tabelas Fato, menores índices, e desempenho melhorado. Chaves artificiais são 
absolutamente necessárias no caso de você estar registrando as alterações dos 
atributos da Dimensão com uma nova linha para cada mudança. Mesmo que seus 
usuários de negócios, inicialmente, não visualizem o valor de registrar as alterações 
nos atributos, usar chaves artificiais tornará uma futura alteração de política menos 
onerosa. As chaves artificiais também permitem mapear múltiplas chaves transacionais 
para um único perfil, adicionalmente protegendo contra atividades operacionais 
 
 
MODELAGEM E TECNOLOGIA OLAP 24 
inesperadas, como a reutilização de um código de produto obsoleto ou a aquisição de 
outra empresa com suas próprias regras de codificação. 
 
9) Crie dimensões padronizadas para integrar os dados na 
empresa 
Dimensões padronizadas (também conhecidas por dimensões comuns, principais, ou 
de referência) são essenciais para o banco de dados analítico (DW) empresarial. 
Gerenciadas no sistema de ETL e então reutilizadas associadas a diversas tabelas Fato; 
dimensões padronizadas trazem atributos descritivos consistentes para os modelos 
dimensionais e permitem a habilidade de navegar através dos dados integrados de 
diferentes processos de negócios. A matriz de negócios da empresa é o diagrama de 
arquitetura chave para representar os processos de negócios principais da organização 
e suas dimensões associadas. A reutilização das dimensões padronizadas, finalmente, 
diminui o tempo de desenvolvimento eliminando o desenho redundante e o esforço de 
desenvolvimento; entretanto, dimensões padronizadas requerem um compromisso e 
investimento em administração de dados e governança, assim você não precisa que 
cada pessoa concorde com cada uma das dimensões para atingir a conformidade. 
 
10) Avalie requisitos e realidade continuamente para 
desenvolver uma solução de DW/BI que seja aceita pelos 
usuários de negócios e suporte seu processo de tomada de 
decisões 
Os responsáveis pela modelagem dimensional devem, constantemente, balancear os 
requisitos dos usuários de negócios com as realidades inerentes aos dados de origem 
associados, para desenvolver um modelo que possa ser implantado, e que, mais 
importante ainda, tenha uma boa chance de ser útil aos negócios. A avaliação dos 
requisitos versus realidades é parte da tarefa dos desenvolvedores de DW/BI, apesar 
de você estar focado na modelagem dimensional, na estratégia do projeto, nas 
arquiteturas técnica/ETL/BI ou na implantação/planejamento de manutenção. 
 
 
 
 
 
MODELAGEM E TECNOLOGIA OLAP 25 
Vantagens da Modelagem Multidimensional 
Como vimos, o Business Intelligence (BI) é a melhor tecnologia para a empresa tomar 
decisões estratégicas e rápidas. Transformar dados em informações é preciso ações 
específicas do BI. 
Para um melhor processo, temos algumas dicas: 
• Conhecer melhor seus processos de informações 
Analise e identifique as informações que estão sendo colhidas durante o processo de 
captação de dados. 
• Medir efetividade 
Com BI sua empresa detecta a efetividade de determinada ação, dado ou ferramenta 
utilizada na empresa. 
• Controlar receita e despesas 
Identifique perdas e custos, aumente seus lucros com as informações coletadas. 
• Planejar e simular com mais segurança 
Não arrisque, com BI sua empresa aposta no resultado concreto e não em uma 
hipótese. 
• Velocidade na análise de informações 
Visualize, na hora em que for preciso e na palma da mão, aumentando a praticidade 
e efetividade dos resultados. 
• Retorno rápido do investimento 
Após o investimento o BI proporciona rapidez no ROI (Return On Investment). 
• Atitude dos gestores 
Transforme a atitude dos gestores, que deixam de ser reativos e tornam-se proativos. 
 
Além desses itens, existem outras vantagens como: flexibilidade, conhecimento 
empresarial, tomada de decisão, competitividade e relatórios gerenciais. 
 
A modelagem multidimensional é o início do projeto de BI, e para o processo desta 
modelagem é necessário fazer uma análise, só que ao invés da Análise Tradicional é 
feita a de Sistemas de Apoio à Decisão (SAD). Enquanto na Análise Tradicional são 
documentados os processos lógicos, o repositório dos dados e as entradas e saídas 
 
 
MODELAGEM E TECNOLOGIA OLAP 26 
externas do sistema existente, para o novo sistema que estará sendo desenvolvido, o 
foco da Análise de Sistemas de Apoio à Decisão é determinar os requisitos e as fontes 
de dados dos sistemas existentes, documentar como será feita a extração e como 
disponibilizar os dados aos usuários finais. Nesta análise, as fontes dos dados já 
existem e estão definidas, então basta entender quais dados são de interesse do 
usuário e como extrair e tratar esses dados para disponibilizá-los às consultas. 
 
A escolha dos dados que são de interesse do usuário e como esses dados serão 
tratados, ou seja, editados, transformados (após limpeza), agregados e sumarizados 
são tarefas da Análise de Fonte de Dados, que é outro processo. 
 
O modelo deverá iniciar com entrevistas que serão a base para traçar o perfil que irá 
definir o planejamento do modelo a ser implementado para o ambiente de suporte à 
decisão que será criado, além de identificar o conteúdo e o volume da base de dados 
já existente na empresa. Para finalizar o processo de identificação do ambiente de 
negócios, é preciso discutir e validar as informações levantadas e as premissas para o 
modelo com o corpo executivo da organização. 
Algumas vantagens com a modelagem para o início do projeto de BI: 
• velocidade na análise de informações sempreque as organizações percebem 
mudanças de tendências; 
• cruzamento de dados específicos para análises; 
• maleabilidade das informações que podem ser tratadas; 
• geração de informações consistentes para análises gerenciais e processos 
decisórios. 
 
A maior vantagem decorrente da utilização do BI é a uniformização da informação 
fornecida, permitindo dispor de "uma verdade única" dentro da organização e 
garantindo que todos trabalham com a mesma realidade, facilitando assim a tomada 
de decisão. A uniformização da informação fornecida permite uma maior rapidez no 
seu acesso, uma maior fiabilidade da própria informação de negócio, ganhos de 
 
 
MODELAGEM E TECNOLOGIA OLAP 27 
eficiência, automatização de processos de análise e de reporting, descentralização do 
acesso à informação, libertação de recursos etc. 
 
Conclusão 
Observando a importância do recurso informação, torna-se importante que todas as 
empresas destinem uma atenção especial ao seu formato e à maneira que ela é obtida, 
pois por meio dessas informações serão tomadas decisões importantes para o 
desenvolvimento da empresa. Com o estudo dessa técnica de negócio, pode-se 
concluir que utilizando essa técnica, agiliza-se o processo de geração de informações 
e auxilia-se os gestores nas tomadas de decisão e até mesmo para manter-se sempre 
à frente no mercado. 
 
Portanto, com a utilização das ferramentas OLAP as empresas poderão ter ganhos 
significativos de produtividade, pois ao auxiliar na tomada de decisões, disponibiliza 
informações estratégicas que poderão ser visualizadas de diversas maneiras. Tudo isto 
de forma instantânea e consistente, com respostas rápidas às consultas e perguntas 
de gerentes e analistas. 
 
As informações geradas com BI proporcionam, aos gestores da empresa, uma visão 
geral de como andam os negócios da sua empresa e assim traçar metas para melhorar 
os negócios, além de ser um diferencial competitivo tanto para manter-se no domínio 
do mercado quanto para agilizar suas análises. 
 
 
 
 
 
 
 
 
 
 
 
 
MODELAGEM E TECNOLOGIA OLAP 28 
BIBLIOGRAFIA 
CAVALCANTI, Thiago Rodrigues. OLAP. Disponível em: 
<http://www.itnerante.com.br/profiles/blogs/artigo-suporte-a-decis-o-02-sobre-as-
opera-es-de-olap>. Acesso em: 26 maio 2013. 
CELEDO. Business Intelligence na palma na mão. Disponível em: 
<http://cio.uol.com.br/gestao/2007/01/16/idgnoticia.2007-01-16.9426691194/>. 
Acesso em: 13 jul. 2008. 
CÔRTES, P. L. Business Intelligence, CRM, OLAP, Data Mining, Data Warehouse e Data 
Mart. In: CÔRTES, P. L. Administração de Sistemas de Informação. São Paulo: 
Saraiva, 2008. p. 365-437. 
DAL POZZO, Marco A. Implementação do cubo de decisão em uma data 
warehouse extraído de um sistema de gerenciamento empresarial. 2002. 42 
f. Trabalho de Conclusão de Curso (Bacharelado em Ciências da Computação). Centro 
de Ciências Exatas e Naturais, Universidade Regional de Blumenau, Blumenau. 
DAVENPORT, T. H.; PRUSSAK, L. Conhecimento empresarial, como as empresas 
gerencial seu capital intelectual. 5. ed. Rio de Janeiro: Campos, 1988 
FRANÇA, Flávio Almada. A Inteligência por trás do Business Intelligence. 
Disponível em: <http://flavioaf.wordpress.com/2011/09/28/a-inteligencia-por-traz-
do-business-intelligence/>. Acesso em 26 maio 2013. 
GARTNER, I. Business Intelligence (BI). Gartner IT Glossary. Retrieved June 27, 
2013. Disponível em: <http://www.gartner.com/it-glossary/business-intelligence-
bi/>. Acesso em 09 mar. 2018. 
HAHN, Seungrahn et al. Capacity planning for business intelligence 
applications. 1. ed. San Jose, CA, EUA: International Business Machines Corporation, 
2000. 
KIMBALL, R. (2002). The data warehouse toolkit. [s./l.] Wiley, 464 p. Disponível 
em: <http://www.kimballgroup.com/>. Acessado em: jul. 2012. 
MICROSOFT CORPORATION. (2007). Visão geral do OLAP (processamento analítico 
online). Disponível em: <http://office.microsoft.com/pt-br/excel-help/visao-geral-do-
olap-processamento-analitico-online-HP010177437.aspx>. Acesso em: 13 maio 2013. 
http://cio.uol.com.br/gestao/2007/01/16/idgnoticia.2007-01-16.9426691194/
http://www.gartner.com/it-glossary/business-intelligenc%20e-bi/
http://www.gartner.com/it-glossary/business-intelligenc%20e-bi/
 
 
MODELAGEM E TECNOLOGIA OLAP 29 
MICROSOFT CORPORATION. OLAP. Disponível em: <http://office.microsoft.com/pt-
br/excel-help/visao-geral-do-olap-processamento-analitico-online-
HP010177437.aspx>. Acessado em: 26 maio 2013. 
PETRINI, M.; POZZEBON, M.; FREITAS, M. T. Inteligência de negócios no Brasil. 
[s./l.] HSM Management, 2005. 
PRIMAK, Fábio Vinicius. Decisões com B.I. - Business Intelligence. Rio de Janeiro: 
Ciência Moderna, 2008. 
TEOREY, Toby; LIGHTSTONE, Sam; NADEAU, Tom. Projeto e modelagem de 
banco de dados. 4. ed. Rio de Janeiro: Campus, 2007. 
TURBAN, Efraim; ARONSON, Jay; LIANG, Ting-Peng. Decision support and 
business intelligence systems. 8. ed. [s./.] Prentice-Hall, 2007. 
TURBAN, E., & VOLONIMO, L. (2013). Business Intelligence e suporte à decisão. In: 
A. Evers (Trans.). Tecnologia da Informação para Gestão: em busca do melhor 
desempenho estratégico e operacional. 8. ed. p. 468. Porto Alegre: Bookman, [s./d.]. 
 
http://www.submarino.com.br/books_bio.asp?Query=ProductPage&ProdTypeId=1&ArtistId=4090146&Type=1