Resumo Inteligência Empresarial

Prévia do material em texto

INTELIGÊNCIA EMPRESARIAL (CCT0189/2368919) 9001 
 
Aula 1: Conceitos Básicos 
 
Tomada de Decisão: É um processo de escolha entre diferentes cursos de ação com o propósito de 
alcançar um ou mais objetivos e, frequentemente considerada o mesmo que resolver problemas. Decisão 
é a escolha entre caminhos alternativos que levam a determinado resultado. O modelo mental de cada 
pessoa interfere na codificação e decodificação dos dados, informações e conhecimentos, acarretando 
muitas vezes distorções individuais que poderão ocasionar problemas no processo de comunicação, 
influenciando na capacidade de se chegar à resposta para situações que demandem algum tipo de tomada 
de decisão. O processo de tomada de decisão exige que o decisor tenha conhecimento em relação ao 
assunto a ser decidido. Então a transformação dos dados em conhecimento é fundamental para que o 
decisor possa atingir seu objetivo. Nas organizações tradicionais as decisões são tomadas por uma elite 
decisória provocando distanciamento dos macroobjetivos e perda de informação 
 
Conhecimento Tácito: é aquele disponível com pessoas e que não se encontra formalizado em meios 
concretos. Formado dentro de um contexto social e individual 
Conhecimento Explícito: é aquele que pode ser armazenado, por exemplo, em documentos, manuais, 
bancos de dados ou em outras mídias. O conhecimento explícito é adquirido principalmente através das 
informações. 
Nas organizações, o conhecimento é basicamente tácito e tem origem na cabeça das pessoas! A 
organização precisa transformar o conhecimento tácito em conhecimento explícito! Transferência do 
conhecimento é feito pelo Espiral do Conhecimento 
 
- Dado: Simples observações sobre o estado do mundo; Facilmente estruturado; Facilmente obtido por 
máquinas; Frequentemente qualificado; Facilmente transferível. 
- Informação: Dados dotados de relevância e propósito; Requer unidade de análise; Exige consenso em 
relação ao resultado; Exige necessariamente a mediação humana. 
- Conhecimento: Informação valiosa da mente humana; Inclui reflexão e síntese; De difícil estruturação; 
De difícil captura através das máquinas; Frequentemente tácito; De difícil transferência. 
 
OBS: Podemos considerar como conhecimento tácito: R: Lugar de lazer preferido de seu melhor cliente 
 
Aula 2: Inteligência Empresarial 
 
Inteligência: Capacidade de entender, pensar, raciocinar, compreender e interpretar, entendimento, 
intelecto. (Dicionário Michaelis) Capacidade de conhecer, entender, aprender conhecimento adquirido seja 
por estudo, pesquisa ou experiência, requer observação e reflexão” (Dicionário Webster). 
Motivação para Inteligência Empresarial: Os tempos atuais demandam novas teorias, novas capacidades 
de pensamento, novas capacidades para transformar dados em informação útil e novos níveis de inovação 
capazes de desenvolver aplicações práticas para estas informações. A capacidade de identificar, e utilizar, 
os conhecimentos que são estratégicos para a gestão do negócio tornou-se fundamental para qual a 
empresa identifique a necessidade de mudanças e atuem de modo positivo diante destas mudanças 
canalizando, assim, os recursos da organização para a produtividade e a competitividade. Conhecimento, 
inovação e empreendedorismo formam, assim, um tripé indissociável para o sucesso das organizações na 
nova Economia. A esta sinergia entre Conhecimento, inovação e empreendimento damos o nome de 
Inteligência Empresarial. 
A principal função da Inteligência Empresarial é suprir as organizações com informações, a fim de 
prepará-las para o acirramento da concorrência e da globalização dos mercados. A Inteligência 
Empresarial diz respeito à capacidade de uma organização em reunir informações do ambiente interno e 
do mercado, facilitar o uso destas informações na criação de conhecimentos e atuar efetivamente com 
base nestes conhecimentos. Dizemos, então, que a Inteligência Empresarial está relacionada aos diversos 
processos de coleta, organização, análise e utilização de dados e informações que permitem implementar 
novas ações de mercado e apoiar a tomada de decisão. A Inteligência Empresarial é a capacidade de uma 
empresa para capturar, selecionar, analisar e gerenciar as informações relevantes para a gestão do 
negócio com o objetivo de: Inovar e criar conhecimento. Reduzir riscos na tomada de decisão e evitar 
surpresas. Direcionar, assertivamente, os planos de negócios e a implementação de ações. Criar 
oportunidades de negócios. Gerar valor aos negócios. Apoiar o desenvolvimento de produtos/serviços com 
 
 
 
 
uma base de informação confiável, eficiente e ágil. Monitorar, analisar e prever, eficientemente, as 
questões relacionadas ao core business. 
Business Intelligence: Tem como objetivo criar sistemas de informação computacionais, geralmente a 
partir de grandes volumes de dados, capazes de prover aos gerentes as melhores informações para a 
tomada de decisão 
 
Inteligência Competitiva: é a utilização de métodos, meios e técnicas para se gerenciar estrategicamente 
as informações nas organizações. Este processo sistemático da busca, análise, estruturação e 
disseminação das informações oriundas das várias fontes existentes tanto na empresa quanto no 
ambiente externo é de vital importância na gestão e planejamento estratégico. Este processo é 
fundamental para a criação do conhecimento e a tomada de decisão, em qualquer nível da organização. O 
uso da Inteligência Competitiva permite que a organização passe a atuar no sentido de identificar 
oportunidades e não se perder em ações de curto prazo destacando-se, assim, as empresas que 
trabalhem com cenários de prospecção e analíticos e que consigam colocar em prática o conhecimento 
adquirido. Podemos dizer então que a Inteligência Competitiva, (IC), é parte da Inteligência Empresarial e 
engloba, principalmente, informações sobre o mercado e a concorrência. 
- O Ciclo da Inteligência Competitiva: 1. Planejar e identificar as necessidades de informação: junto aos 
tomadores de decisão são definidas as necessidades de inteligência. 2. Coletar e tratar a informação: de 
forma ética e legal, são identificadas as fontes e como as informações serão coletadas e armazenadas. 3. 
Analisar e validar a informação: especialistas analisam e validam as informações, fazem a sua 
interpretação e compilam recomendações. 4. Disseminar e utilizar a informação: os resultados da análise 
são apresentados aos tomadores de decisão. 5. Avaliar: a resposta dos tomadores de decisão e suas 
necessidades de inteligência são analisadas de modo contínuo. 
 
Se você conhece o inimigo e conhece a si mesmo, não precisa temer o resultado de cem batalhas. Se 
você se conhece, mas não conhece o inimigo, para cada vitória ganha sofrerá também uma derrota. Se 
você não conhece nem o inimigo nem a si mesmo, perderá todas as batalhas” (Sun Tzu A Arte da Guerra) 
 
- Inteligência Empresarial: Capacidade da empresa em selecionar, capturar, analisar e gerenciar as 
informações relevantes para a gestão de seu negócio. 
- Inteligência Organizacional: Capacidade da empresa em reunir informação, inovar, criar conhecimento e 
atuar com base neste conhecimento. 
- Inteligência Competitiva: Capacidade de reunir, analisar e administrar informações externas que podem 
afetar planos, decisões e operações de uma empresa. 
- Business Intelligence: Concentra-se no desenvolvimento de tecnologias 
 
Saiba mais 
Acesse o site Inteligência Empresarial: http://www.revie.com.br/site-pagina?id=28 
 
OBS: Para desenvolvermos um projeto de Inteligência Empresarial temos que seguir as seguintes etapas: 
Planejamento e formulação; Desenvolvimento de projetos; Implementação; Monitoramento contínuo. 
 
Aula 3: Tomada de Decisão 
 
O conhecimento é fator diferencial na economia globalizada de hoje. Assim, os principais ativos 
necessários à criação de riquezas, não são mais bens físicos, comoa terra, equipamentos ou fábricas, 
mas sim ativos intangíveis originados pelo conhecimento. Estes ativos são potencializados pelas modernas 
ferramentas de Tecnologia da Informação e Comunicação, que viabilizam sistemas desenvolvidos para 
apoiar a atividade de tomada de decisão, permitindo a existência da Inteligência Empresarial na 
organização. A Inteligência Empresarial fornece subsídios para os executivos através da disponibilização 
de informações estratégicas e relevantes com o objetivo de minimizar as incertezas associadas ao 
processo de tomada de decisão estratégica. 
- Tomada de Decisão: Podemos definir como um processo de escolha entre diferentes cursos de ação, 
com o propósito de alcançar um ou mais objetivos. Frequentemente a tomada de decisão é considerada o 
mesmo que resolver problemas. Podemos identificar duas abordagens distintas para buscarmos a solução 
de problemas: Reativas: O Solucionador espera o aparecimento do problema. Proativas: O Solucionador 
monitora as atividades procurando e corrigindo problemas no início. 
- Risco: É a medida da probabilidade de que uma alternativa selecionada resultará em um produto não-
esperado ou não-desejado. Tipos de Riscos: - à própria decisão (risco da decisão) - ao processo de 
 
 
 
estimativa (risco de estimativa) Quanto mais fatos relevantes o tomador de decisão conseguir obter, 
menor o risco da estimativa e melhor a estimativa das probabilidades de resultado. 
 
Níveis de Tomada de Decisão em uma organização: - Administração Operacional: Desenvolvem planos de 
curto prazo como os programas de produção semanal. Dirigem o uso de recursos e desempenho das 
tarefas de acordo com procedimentos e dentro dos orçamentos e programações definidos. As decisões 
operacionais estão associadas à operação diária da organização como, por exemplo, a definição de um 
cronograma para manutenção de equipamentos e a quantidade mínima de matéria-prima em estoque. - 
Administração Tática: Desenvolve planos de curto e médio prazo, programações, orçamentos e 
especificam políticas, procedimentos e objetivos do negócio para as subunidades, como também distribui 
recursos e monitora o desempenho. As decisões táticas são mais específicas que as decisões estratégicas, 
são normalmente relacionadas com as operações de controle administrativo e utilizadas para gerar novas 
regras de decisão que irão ser aplicadas por parte do pessoal de operação. - Administração Estratégica: 
Normalmente um conselho de diretores e um comitê executivo do presidente e principais executivos que 
desenvolvem as metas globais, estratégias, políticas e objetivos da organização como parte do processo 
de planejamento estratégico. As decisões estratégicas determinam os objetivos da organização como um 
todo, suas metas, diretrizes, políticas e critérios gerais para a organização. 
- As decisões tomadas no nível da Administração Operacional tendem a ser mais (Estruturadas), as 
tomadas no nível da Administração Tática mais (Semiestruturadas) e as tomadas no nível da 
Administração Estratégica mais (Não Estruturadas). 
 
Tipos de Decisões: - Decisão Estruturada: Envolvem situações em que os procedimentos a serem 
seguidos podem ser especificados previamente. Operações ou transações, cujos processos de recuperação 
e controle de dados são repetitivos: Facilmente automatizados, Todos os dados relevantes estão 
disponíveis, Necessitam de pouco julgamento ou avaliação humana. Decisor necessita de procedimentos 
operacionais escritos tendo em vista sua característica: Repetitivas, Rotineiras, Padrão pré existente. – 
Decisão Não Estruturada: Envolvem situações nas quais não é possível especificar de antemão a maioria 
dos procedimentos a serem seguidos. Neste tipo de decisão o tomador de decisão necessita de algum 
julgamento, avaliação ou percepção na definição do problema. Situações específicas, frequentemente 
únicas (ambientes complexos e dinâmicos): Dificilmente automatizados, Necessitam muito julgamento 
humano, São originais, não rotineiras e importantes. Decisor necessita de competências pessoais 
específicas: Capacidade de julgamento, Senso crítico, Capacidade de reflexão, Intuição, Criatividade. – 
Decisão Semiestruturada: Sugerem que alguns procedimentos podem ser especificados, mas não o 
suficiente para levar a uma decisão definida recomendada. Neste tipo de decisão somente parte do 
problema possui resposta clara e fornecida por um procedimento já aceito. 
- Decisão em Condições de Certeza: A certeza é um estado de conhecimento em que o tomador de 
decisão tem informações completas sobre o problema com o qual se defronta. Neste tipo de decisão, os 
decisores têm conhecimento prévio sobre os resultados das várias alternativas que estão sendo 
consideradas para a tomada de decisão. 
- Decisão em Condições de Risco: Condição em que o decisor conhece a probabilidade de que uma 
determinada alternativa leve a um resultado não esperado. O risco é um estado de conhecimento em que 
cada alternativa possui um conjunto de resultados e cada resultado ocorre com uma probabilidade bem 
definida. 
- Decisão em Condições de Incerteza: Condição na qual o decisor se depara com situações externas 
imprevisíveis ou não possui as informações necessárias para estabelecer a probabilidade de determinados 
eventos. A informação é incompleta demais para permitir que ele identifique cada alternativa e faça 
estimativas acerca dos resultados prováveis sobre os quais se possa colocar um alto grau de 
confiabilidade. 
- Decisão em Condições de Competição ou em Condições de Conflitos: O decisor é confrontado com um 
opositor agressivo (um concorrente) cujos interesses entram em confronto direto com o seus. Existem, 
obrigatoriamente, dois ou mais decisores envolvidos, o resultado depende da escolha de cada um dos 
decisores. Situações desse tipo surgem, por exemplo, na elaboração de estratégias de propagandas ou na 
escolha de um novo local para uma filial. 
 
Processo de Tomada de Decisão: - Etapa: Inteligência (Compreensão): Refere-se à fase de investigação 
do ambiente para encontrar situações que exigem uma tomada de decisão. Os problemas e/ou 
oportunidades em potencial são identificados e definidos assim como informações associadas à causa e o 
escopo do problema. São investigados os possíveis obstáculos na solução de problemas. - Etapa: Projeto: 
Refere-se à fase onde o objetivo é o desenvolvimento e análise de possíveis cursos de ação. Inclui o 
entendimento do problema e o teste de viabilidade das soluções. As soluções alternativas são 
 
 
 
 
desenvolvidas e são avaliadas a viabilidade e as implicações dessas alternativas. - Etapa: Escolha: 
Envolve avaliação e recomendação de um determinado rumo de ação traçado na fase anterior. È 
importante salientar que o limite entre as etapas (ou fases) de Projeto e Escolha é, muitas vezes, 
impreciso. Ex.: pode-se gerar novas alternativas enquanto se avalia as existentes. - Etapa: 
Implementação da Solução (Revisão): A última etapa refere-se à fase em que se faz a avaliação da 
solução escolhida, bem como os rumo e condições que levaram a tal decisão. Ocorre a reavaliação do 
processo de Tomada de decisão. 
 
Aula 4: Técnicas de Tomada de Decisão 
 
Teoria da Decisão: é um conjunto de procedimentos e métodos de análise que procuram assegurar a 
coerência, a eficácia e a eficiência das decisões tomadas em função das informações disponíveis, 
antevendo cenários possíveis. Para exercer este papel essa teoria pode usar ferramentas matemáticas ou 
não. A teoria da decisão é uma teoria de escolhas entre alternativas. 
- Brainstorm ou Brainstorming: Técnica usada para auxiliar um grupo a imaginar/criar tantas ideias 
quanto possível em torno de um assunto ou problema. Deve ser usada quando for necessário conhecer 
melhor o universo de uma situação, colher informações, opiniões e sugestões dos participantes, 
identificando problemas existentes e encontrandosoluções criativas para o problema identificado. O 
número total de participantes é no mínimo 5 e no máximo 15. Normalmente, as reuniões têm duração de 
45 a 150 minutos, onde se reserva 30 minutos para a geração de ideias. Vantagens: Praticamente todos 
os problemas podem ter seu estudo inicial conduzido com uso dessa técnica. Não pressupõe a 
necessidade de especialistas. Desvantagens: Se não houver estímulos à participação, poderá ocorrer a 
inibição de alguns participantes do grupo. 
- Matriz de Prioridade: Técnica que prioriza alternativas com base em determinados critérios e deve ser 
usada quando queremos estabelecer uma entre diversas alternativas por meio de análise mais criteriosa. 
Também chamada de matriz de impacto. O grupo participante é formado por 10 a 15 componentes. 
Vantagens: Permite a priorização das alternativas a medida que estabelece uma função objetivo que 
quantifica em termos numéricos o valor (por vezes subjetivo) agregado de cada alternativa. A posterior 
analise destas alternativas, dispondo do valor agregado delas, permite ao decisor examinar de forma mais 
clara e estabelecer quais serão as alternativas a serem implantadas. Permite a exploração dos efeitos 
colaterais das alternativas passíveis de ser implementadas. Desvantagens: A comparação paritária dos 
critérios de priorização das alternativas e a posterior comparação das alternativas sob a influência desses 
mesmos critérios podem acarretar a perda da visão geral do contexto. Dificuldade de trabalhar com 
impactos múltiplos, em que vários eventos influem simultaneamente uns sobre os outros. 
- Diagrama de Peixe: É a técnica que permite visualizar melhor o universo em que o problema está 
inserido. Isto é feito através da construção de um diagrama no qual as causas vão sendo cada vez mais 
discriminadas até chegar a sua origem. Deve ser aplicada a um problema que apresenta causas 
decorrentes de causas anteriores, ou quando queremos esmiuçar as causas de um problema, ou visualizá-
las mais claramente e agrupadas por fatores-chave. Os participantes podem variar de 5 a 15 pessoas. 
Essa técnica também é chamada de diagrama de Ishikawa, diagrama de influência, diagrama de 4P ou 
diagrama de causa e efeito. Vantagens: Permite a visualização das causas de um problema de forma mais 
clara e agrupadas por fatores-chaves. Desvantagens: Para o correto uso dessa técnica, é necessária a 
presença de pelo menos um especialista no problema e um especialista na utilização da técnica. 
- Árvores de Decisão ou Diagrama da Árvore: Técnica que permite indicar, de forma gráfica, e 
cronológica, um caminho a ser seguido em um processo de decisão, explicitando etapas a serem 
cumpridas para alcançar o objetivo pretendido. Representa um processo de decisão em que os nós são os 
momentos no tempo em que o decisor deve efetuar uma decisão. O grupo participante ideal deve ter 
entre 5 e 8 pessoas. Vantagens: Permite a subdivisão do objetivo em metas e submetas, indicando o 
caminho para alcançá-las. Permite o exame, pelo decisor, de todas as possibilidades. Permite a criação de 
algoritmos facilmente implementados em computadores. Desvantagens: O resultado é extremamente 
dependente dos conhecimentos técnicos dos participantes. Este método não deve ser utilizado por 
pessoas leigas no problema em estudo. 
- Mapas Cognitivos: Técnica que permite retratar idéias, sentimentos valores e atitudes e seus inter-
relacionamentos, de forma que torne possível um estudo e uma análise posterior, utilizando para tal uma 
representação gráfica. Quando da resolução de um problema complexo é muito importante que antes ele 
esteja bem estruturado. Esta estruturação é necessária para que se parta dos fatores realmente mais 
importantes relacionados ao problema. A construção destes mapas originou-se na psicologia. Segundo 
Cossette e Audet, o mapa cognitivo é "uma representação gráfica de uma representação mental que o 
pesquisador (facilitador) faz aparecer de uma representação discursiva formulada pelo sujeito (decisor) 
 
 
 
sobre um objeto (problema) e obtido de sua reserva de representação Mental” Formalmente os mapas 
cognitivos são definidos como grafos, onde cada conceito é considerado um nó, e uma relação 
de influência é uma ligação entre os nós. Possui estrutura hierárquica na forma de meios/fins que pode, 
por vezes, ser quebrada devido a laços fechados formados entre os nós. Vantegens: Em tomadas de 
decisão em grupo, o processo de construção dos mapas cognitivos provoca uma geração de 
conhecimentos, cria uma linguagem comum para a comunicação e inibe rivalidades pessoais, uma vez 
que os conceitos apresentados no mapa são anônimos e, ao mesmo tempo, pertencem a todos. Todos os 
mapas individuais são agrupados em um único, que pertence ao grupo e não mais a uma pessoa, Essas 
características vão possibilitar maior discussão sobre o assunto, melhorando assim a qualidade da decisão 
tomada. Possui característica reflexiva: permite aos atores da decisão aprender sobre o problema, ao 
mesmo tempo em que “negociam” sua interpretação e percepção. Desvantagens: Para o correto uso da 
técnica é necessária a presença de especialistas no problema que esta sendo discutido, e de especialistas 
no uso da técnica. 
- Análise por Multicritério: Técnica de previsão qualitativa na qual um grupo de especialistas avalia 
diversas alternativas atribuindo valores numéricos a critérios escolhidos pelo consenso. A abordagem de 
análise multicritério se constitui em formas de modelar os processos de decisão, onde entram em jogo: 
Uma decisão a ser tomada. Os eventos desconhecidos que podem afetar os resultados. Os possíveis 
cursos de ação e os próprios resultados. Estes modelos refletem, de maneira suficientemente estável, o 
juízo de valores dos decisores. Dessa forma, as abordagens multicritérios funcionam como uma base para 
discussão, principalmente nos casos onde há conflitos entre os decisores, ou ainda, quando a percepção 
do problema pelos vários atores envolvidos ainda não está totalmente consolidada. Estas abordagens 
foram desenvolvidas para problemas que incluem aspectos qualitativos e/ou quantitativos, tendo como 
base o princípio de que a experiência e o conhecimento das pessoas é pelo menos tão valioso quanto os 
dados utilizados para a tomada de decisão. Vantagens: Apoiada em um consenso geral: com o uso da 
análise multicritérios, não é necessário que todos concordem com a importância relativa dos critérios ou o 
ranking das alternativas. Estabelecer e evidenciar a responsabilidade do decisor, melhorando a 
transparência no processo de decisão. Desvantagens: Para viabilizar o uso da técnica, são geradas 
matrizes com diferentes objetivos, metas e pesos, evidenciando as diferentes perspectivas dos 
especialistas envolvidos no processo, o que requer um número expressivo de informações dificultando a 
análise e o estabelecimento de metas. 
- Tomada de Decisão Apoiada por Tecnologias: Os sistemas construídos para apoiar a tomada de decisão 
empresarial é necessário por diversas razões, entre as quais podemos destacar: Operações mais rápidas. 
Aumento da produtividade montar um grupo de responsáveis pelas decisões, especialmente os peritos, 
pode custar caro. O apoio computadorizado pode reduzir o tamanho do grupo, permitindo assim que os 
membros do grupo possa estar em diferentes lugares, sem detrimento da produtividade. Apoio técnico 
muitas decisões envolvem computações complexas. Apoio da qualidade os sistemas podem melhorar a 
qualidade das decisões feitas. Por exemplo, várias alternativas podem ser avaliadas, ou, a análise de risco 
pode ser executada rapidamente. Os tomadores de decisão podem executar simulações complexas, 
verificar muitos cenários possíveis e avaliar impactos. 
 
Aula 5: Introdução aos Sistemas de Apoio à Decisão 
 
Sistema de Apoio à Decisão: SAD é uma classe de sistemas utilizada para apoiar o processo decisório e aatividade gerencial. É um sistema construído para capturar, tratar e disponibilizar informações 
estruturadas e consolidadas, com o propósito de auxiliar as empresas no processo decisório e na análise 
da informação. Tem como objetivo principal auxiliar na solução de problemas mais complexos 
semiestruturados ou desestruturados. Analisa dados on-line coletados por sistemas de processamento de 
transação, para ajudar as pessoas a tomarem decisões de negócios. A ênfase de um SAD recai sobre os 
estilos e as técnicas individuais da tomada de decisão, ou seja, a pessoa ainda toma a decisão, não a 
máquina. O SAD deve ser projetado, desenvolvido e utilizado para auxiliar a organização a atingir suas 
metas e objetivos. Frequentemente está associado à tomada de decisão relativa a processos que agregam 
valor ao negócio. O SAD é um sistema analítico, e não um sistema transacional (Um sistema de previsão 
de estoque é um sistema analítico. Um sistema de controle de lançamentos de estoque é transacional) 
Um sistema analítico é desenhado para atender demandas gerenciais e apoiar o processo decisório. Um 
sistema transacional é desenhado para atender as demandas operacionais e apoiar a execução de tarefas 
operacionais. 
- Características de um SAD: Grandes volumes de dados e de diferentes fontes; Flexibilidades de 
relatórios e apresentações; Orientação gráfica e de texto; Suportar análise Drill Down; Realizar analise 
complexas e sofisticadas, utilizando pacotes de software avançados; Suportar abordagens de otimização, 
satisfação e heurísticas; Executar análise de sensibilidade, simulação e de atingimento de metas; 
 
 
 
 
Orientado por métricas de desempenho; Baseado nos papéis organizacionais desempenhados; Orientado 
a processos de negócios; Apoiado por tecnologias especializadas. 
- SAD é um tipo de sistema que possui diversas espécies. Engloba o conjunto de potenciais sistemas de 
suporte à decisão. Principais espécies: Sistemas de Suporte à Decisão (DSS); Sistemas de Suporte à 
Decisão em Grupo (GDSS); Sistemas de Informação Executiva (EIS); Sistemas Especialistas (Expert 
Systems); Sistemas Artificiais / Redes Neurais. 
SAD são instrumentos que facilitam a tarefa de tomada de decisão e que tentam otimizar os resultados 
obtidos melhorando assim a qualidade das decisões. Utilizados tanto pelo nível tático quanto pelo nível 
estratégico da organização. Com base na capacidade dos indivíduos em pré-definir o processo de tomada 
de decisão, podemos classificar as decisões como: - Estruturadas: podem ser pré-especificadas por um 
conjunto de regras ou procedimentos que, se presume, podem ser manipuladas por um programa de 
computador. São o que chamamos de decisões programáveis. - Não estruturadas: mudam a cada vez que 
são necessárias. São o que chamamos de não programáveis 
- Modelo de Otimização: Busca a melhor solução para um problema, geralmente a que mais ajudará a 
realização das metas empresariais. São utilizados para problemas que podem ser modelados 
matematicamente com um baixo grau de risco de avaliação. 
- Modelo de Satisfação: Encontrará uma boa solução, não necessariamente a melhor. Este modelo leva 
em consideração dentre as soluções possíveis aquelas com a maior probabilidade de dar bons resultados. 
- Heurística: Considerada um método empírico, baseado na experiência através de procedimentos ou 
diretrizes comumente aceitos e que levam a uma boa solução. 
 
- Problemas Típicos que indicam a necessidade de uso de um SAD em uma organização: Dificuldade em 
consolidar informações para tomar decisões; Muitos sistemas de informação dispersos na empresa; 
Diferenças e erros nos conceitos de dados; Conceitos de dados variando conforme o intérprete; 
Incapacidade de decidir com base em informações confiáveis; Incapacidade de decidir com base em 
informações confiáveis; Dificuldade em compartilhar informações entre as várias áreas da empresa; 
Problemas de qualidade dos dados; Dados chegam atrasados para a tomada de decisão. 
- OLTP – On-Line Transactional Processing: Dão suporte às funções de sistemas administrativos, controle 
de estoque, sistemas associados à execução do negócio da empresa, expedição, etc. Baseado em 
transações, voltado para velocidade e automação de funções “repetitivas”. Mantém a situação corrente 
(atual). Atualizações e consultas em grande número. Trabalha com alto nível de detalhamento. 
- OLAP – On-Line Analytical Processing: Dão suporte às funções associadas à concepção do negócio da 
empresa. Necessidade de ver o dado sob diferentes perspectivas: as aplicações são dinâmicas. Operações 
de agregação e cruzamentos. Dados Históricos são relevantes. Atualização quase inexistente, apenas 
novas inserções. Consistência é fundamental. 
- Sistemas do Ambiente: - Operacional: Tempo de Resposta. Segurança. Recuperação de Falhas. Muitos 
usuários concorrentes; - Analítico ou Informacionais: Flexibilidade, facilidade de navegação. Consultas 
complexas, não antecipadas. Gerenciamento de enormes volumes de dados. Necessidade de examinar o 
dado em diferentes níveis de detalhe. Necessidade de acesso a dados de fontes de dados diversas. 
 
Revisão – Aula 1 a 5 
 
- Dado: Simples observações sobre o estado do mundo. Facilmente Estruturado. Facilmente obtido por 
máquinas. Frequentemente Quantificado. Facilmente Transferível. 
- Informação: Dados dotados de relevância e propósito: Requer análise. Exige consenso em relação ao 
significado. Exige, necessariamente, a mediação humana. 
- Conhecimento: Informação valiosa da mente humana, inclui reflexão e síntese: De difícil estruturação. - 
De difícil captura em máquinas. Frequentemente tácito. De difícil transferência. 
- Tomada de Decisão: A decisão existe mesmo quando, ao analisarmos um problema, possuímos uma 
única opção a seguir, pois poderemos ter a alternativa de adotar ou não essa opção. Decisão é a escolha 
entre caminhos alternativos que levam a determinado resultado. - Estruturadas: podem ser pré-
especificadas por um conjunto de regras ou procedimentos que, se presume, podem ser manipuladas por 
um programa de computador. São o que chamamos de decisões programáveis; - Não estruturadas: 
mudam a cada vez que são necessárias. São o que chamamos de não programáveis. 
- Processo de Tomada de Decisão: Etapa: Inteligência (Compreensão); Etapa: Projeto; Etapa: Escolha; 
Etapa: Implementação da Solução (Revisão). 
- Inteligência Empresarial: Processo de coleta, organização, análise, compartilhamento e monitoramento 
de informações cujo objetivo é atender as demandas de informação do planejamento estratégico das 
 
 
 
organizações. O conceito de Inteligência Empresarial parte do princípio que não basta uma empresa 
investir em bons sistemas de informação para alcançar uma gestão bem sucedida. 
- Business Intelligence: É um conjunto de ferramentas e aplicativos que permite aos gestores organizar, 
analisar, distribuir e agir, sustentando a tomada de decisões. O Business Intelligence concentra-se no 
desenvolvimento de tecnologias. 
- Teoria da Decisão: É um conjunto de procedimentos e métodos de análise que procuram assegurar a 
coerência, a eficácia e a eficiência das decisões tomadas em função das informações disponíveis, 
antevendo cenários possíveis. 
- Brainstorming (“tempestade do cérebro”): É um processo no qual um grupo de pessoas gera um grande 
número de ideias e soluções sobre um tema específico. É uma técnica de ideias em grupo que envolve a 
contribuição espontânea de todos os participantes. 
- Matriz de Prioridade (Matriz de Impacto): Técnica que prioriza alternativas com base em determinados 
critérios e deve ser usada quando queremos estabelecer uma entre diversas alternativas por meio de 
análise mais criteriosa. 
- Diagrama de Causa e Efeito (Espinha de Peixe/Diagrama de Ishikawa): É uma técnica muito utilizada 
que mostra a relação entre um efeito e as possíveis causas que podem estar contribuindopara que ele 
ocorra. Utilizada para: Visualizar, em conjunto, as causas principais e secundárias de um problema. 
Ampliar a visão das possíveis causas de um problema, enriquecendo a sua análise e a identificação de 
soluções. Analisar processos em busca de melhorias. 
- Arvores de Decisão ou Diagrama da Arvore: Técnica que permite indicar, de forma gráfica, e 
cronológica, um caminho a ser seguido em um processo de decisão, explicitando etapas a serem 
cumpridas para alcançar o objetivo pretendido. Representa um processo de decisão em que os nós são os 
momentos no tempo em que o decisor deve efetuar uma decisão. 
- SAD (Sistema de Apoio a Decisão): É uma classe de sistemas utilizada para apoiar o processo decisório 
e a atividade gerencial. É um sistema construído para capturar, tratar e disponibilizar informações 
estruturadas e consolidadas, com o propósito de auxiliar as empresas no processo decisório e na análise 
da informação. Tem como objetivo principal auxiliar na solução de problemas mais complexos – semi-
estruturados ou desestruturados. 
 
Aula 6: Componentes de um Sistema de Apoio à Decisão 
 
- Sistemas de Apoio à Decisão: são sistemas interativos cujo principal objetivo é auxiliar os tomadores de 
decisão na utilização de dados e modelos que permitam não apenas a identificação e solução de 
problemas, mas também a tomada de decisões. Para cumprir este papel, o SAD é constituído por um 
conjunto de subsistemas, que têm como finalidade garantir a sua aplicabilidade, desenvolvimento e 
funcionalidade. O SAD permite que o tomador de decisão possa: Buscar informações em bancos de dados 
diferentes, mesmo que estejam em lugares distintos. Acessar a outras fontes de dados pela Internet ou 
por uma Intranet da organização. Obter informações específicas sobre o determinado problema para 
facilitar a análise de alternativas de solução. Obter somente as informações que necessita, uma vez que a 
variedade de problemas e necessidades dos tomadores de decisão é muito ampla. Planejar a decisão a ser 
tomada, pois é possível modificar hipoteticamente os dados e obter uma visão do que acontecerá se 
aquela decisão for tomada. Obter a probabilidade de algo acontecer através da simulação de cenários 
construídos a partir de decisões tomadas. Obter os resultados das possíveis soluções de problemas a 
partir da interação com o sistema, permitindo visualizar o alcance de uma determinada meta. 
- Subsistema Gerenciamento de Dados ou Subsistema de Gestão de Dados: A função do subsistema de 
gerenciamento de dados é receber, organizar e armazenar uma série de informações numa base de dados 
bem estruturada e de fácil captura para utilização por parte dos usuários. Esta base de dados fornece 
informações em resposta às consultas dos usuários, dados para o processamento de modelos assim como 
armazena os resultados intermediários e finais das análises efetuadas, quando necessário. Um dos 
principais componentes deste subsistema é o banco de dados, que armazena os dados relevantes para os 
processos de decisão que serão suportados pelo sistema. Geralmente este banco de dados é projetado de 
acordo com o tipo de problema específico para o qual o sistema é projetado. O subsistema de gestão de 
dados é constituído ainda pelo sistema de gestão, diretório de dados (definição e significado dos dados 
armazenados na base de dados) e pelo módulo de facilidade de consultas. É composto de: Módulo 
Gerenciador de Banco de Dados (SGBD = DBMS). Módulo Extrator (Data Extraction). Módulo Facilitador 
de Consultas (Query Facility). Banco de dados do SAD (DSS Database). Diretório de Dados (Data 
Directory). 
 
- Subsistema Gerenciamento de Modelos: As funções deste subsistema são: manipular modelos para 
testes; armazenar e catalogar os modelos existentes; registrar a utilização destes modelos; relacionar os 
 
 
 
 
modelos com os dados necessários; manter a base de modelos (armazenar, atualizar e registrar). A base 
de modelos contém uma série modelos rotineiros e especiais como, por exemplo, estatísticos, financeiros, 
de previsão, etc., que dão ao SAD capacidades analíticas. Estes modelos podem ser divididos por 
categorias: - Modelos Estratégicos: Apoiam gestores de alto escalão na elaboração de planos estratégicos, 
estudos de impacto ambiental, etc. Estes modelos tendem a ter uma ampla faixa de limites e variáveis 
agregadas; - Modelos Táticos: Apoiam gestores de nível médio no processo de distribuição e controle dos 
recursos da organização. Por exemplo, contém modelos como planos de promoções, planos orçamentais, 
etc. Estes modelos recorrem apenas a dados internos e fazem previsões num horizonte temporal que não 
ultrapassa os 2 anos; - Modelos Operacionais: Apoiam as atividades operacionais do dia a dia da empresa. 
Ex.: empréstimos pessoais solicitados a instituições financeiras, programação da produção, controle de 
estoque. Fazem previsões em um período provisional de dias, no máximo, meses; - Modelos Analíticos: 
São usados para fazer análises sobre os dados contidos na base de dados da SAD. São compostos por 
modelos estatísticos, modelos de gestão científica, algoritmos de mineração de dados e modelos 
financeiros. Podem estar associados a outros modelos que fazem parte dos modelos estratégicos. 
- Vantagens do uso de modelos: Modelos podem ser construídos ao baixo custo para se determinar o 
impacto de diversas decisões; Modelagem costuma ser mais rápida que a experimentação com sistemas 
reais; Apresenta menos riscos e mostra como a decisão pode impactar todo o sistema; Excelente 
experiência de aprendizagem, à medida que, ao realizar experiências com modelos, podemos conhecer os 
efeitos de imediato; Previsão de consequências futuras. 
- Desvantagens de uso de modelos: Um modelo requer a simplificação de algumas suposições. Se as 
hipóteses se desviam muito da realidade, os resultados podem ser bastante suspeitos. Com a diversidade 
de modelos disponíveis, os tomadores de decisão podem gastar muito tempo para decidir qual modelo 
usar. Modelos não preveem sistemas reais com exatidão. Alguns modelos exigem alto grau de sofisticação 
matemática tornando-os extremamente complexos de se construir e os resultados muito difíceis de se 
interpretar. 
 
- Subsistema Gerenciamento de Conhecimento: O subsistema de gerenciamento do conhecimento fornece 
informações a respeito do problema que se está tratando e, por meio do subsistema de interface com o 
usuário, permite ao tomador de decisão comandar o sistema de apoio à decisão e adquirir novos 
conhecimentos, melhorando sua capacidade para a tomada de decisão. Importante ressaltar que o 
usuário é considerado parte do sistema. Outra característica deste componente é que pode ser utilizado 
de forma isolada, sem estar associado a um sistema específico. 
- Subsistema de Interface com o Usuário: Considerado por muitos autores como o componente mais 
importante do SAD, pois permite a comunicação entre os usuários e os demais subsistemas do SAD. Exige 
cuidados na apresentação e disposição dos dados, para permitir uma clara comunicação entre os 
subsistemas e o usuário. Assim deve-se utilizar uma linguagem simples, natural e de fácil interpretação. 
Da sua qualidade depende em grande parte uma melhor ou pior utilização do sistema. Se o decisor sentir 
dificuldade no uso da ferramenta pode simplesmente não utilizá-la, uma vez que o decisor não está 
interessado em conhecer com profundidade os softwares utilizados e os algoritmos empregados pelos 
modelos. O que importa para ele é saber como utilizar o sistema para realizar suas atividades. 
 
Aula 7: Data Warehouse 
 
Para suprir as deficiências de inadequação do ambiente operacional para análise de informações pelos 
tomadores de decisão, surge o Data Warehouse, que integra e organiza os dados de modo consistente, 
confiável e disponível, sempre que necessário. Segundo Turban et All, “Um data warehouse é um conjuntode dados produzido para oferecer suporte à tomada de decisões; é um repositório de dados atuais e 
históricos de possível interesse aos gerentes de toda a organização. Os dados normalmente são 
estruturados de modo a estarem disponíveis em um formato pronto para as atividades de processamento 
analítico. Portanto, um data warehouse é uma coleção de dados orientada por assunto, integrada, variável 
no tempo e não volátil, que proporciona suporte ao processo de tomada de decisão”. O Data Warehouse é 
um banco de dados que armazena dados sobre as operações da empresa como, por exemplo, vendas e 
compras, extraídos de uma fonte única ou múltipla, oferecendo enfoque histórico, para permitir um 
suporte efetivo à tomada de decisão. Este banco de dados é construído utilizando-se processos de 
limpeza, transformação, integração e carga dos dados, e atualizado periodicamente. 
 
Características do Date Warehouse: - Integração: Os dados necessários aos tomadores de decisão estão 
em diversas áreas da empresa. Geralmente esses dados não estão padronizados e é necessário integrar 
antes de serem carregados em um DW de forma que passem a ter um único significado. A maior parte do 
 
 
 
trabalho na construção de um DW está na análise dos sistemas em operação e dos dados que ele contém; 
- Volatibilidade: Os dados não sofrem atualizações. Eles são carregados uma única vez e, a partir desse 
momento, só podem ser consultados, pois representam as informações em um determinado instante de 
tempo. Os dados passam por filtros antes de entrarem no DW, com isso, muitos dados nunca saem do 
ambiente transacional e outros são resumidos de tal forma que não são encontrados fora do DW; - 
Variante no Tempo: Os dados são armazenados para fornecer informações de uma perspectiva histórica. 
A cada mudança ocorrida num dado, uma nova entrada é criada e não atualizada, como acontece nos 
sistemas tradicionais; - Localização: Os dados podem estar fisicamente armazenados de três formas: 
centralizados, distribuídos e por níveis de detalhes. Centralizados: solução muito utilizada, mas com o 
inconveniente de requerer investimento em um servidor com alta capacidade de processamento e 
armazenamento. Distribuídos: dados armazenados em diferentes locais, chamados DataMarts, de acordo 
com áreas de interesse (Exemplo: financeiro, marketing). Níveis de Detalhes: dados altamente 
consolidados/resumidos em um servidor e dados detalhados em outro; - Credibilidade de dados: Para o 
sucesso de qualquer Data Warehouse é determinante a credibilidade dos dados. Simples distorções 
podem causar sérios problemas quando se quer extrair dados para suportar decisões estratégicas para o 
negócio das empresas. Dados não confiáveis podem resultar em relatórios inúteis, sem importância. Por 
exemplo, um simples CEP errado não afetará uma simples transação de compra e venda, mas poderá 
influenciar informações referentes a uma cobertura geográfica ou uma expansão de rede de filiais; - 
Orientado ao Assunto: Um DW sempre armazena dados importantes sobre temas específicos da empresa 
de acordo com o interesse das pessoas que irão utilizá-los. Ex.: Assunto clientes e faturamento para os 
setores de marketing e finanças. 
 
- Principais tarefas efetuadas pelo DW: Obter dados dos BDs operacionais e externos. Armazenar os 
dados. Fornecer informações para tomada de decisão. Administrar o sistema e os dados 
- Principais componentes do DW: Mecanismos para acessar e transformar dados. Mecanismo para 
armazenamento de dados. Ferramentas para análise de dados. Ferramentas de gerência. 
 
- Granularidade: diz respeito ao nível de detalhe dos dados existentes no Data Warehouse. Quanto maior 
o nível de detalhe, menor o nível de granularidade. A definição do menor intervalo correspondendo a um 
dia, sem levar em conta suas subdivisões tais como horas, minutos e assim sucessivamente. Definir a 
granularidade adequada é vital para que o Data Warehouse atenda seus objetivos: Mais detalhes: Mais 
dados - Análise mais longa - Informação mais detalhada; Menos detalhes: Menos dados - Análise mais 
curta - Informação menos detalhada. 
- Data Marts: Muitas vezes, apesar do Data Warehouse possuir um grande volume de dados de toda a 
empresa, é necessário trabalhar apenas com uma parte desses dados, correspondente a um setor da 
empresa, ou fazer a implantação do Data Warehouse de forma fracionada até se formar o sistema 
corporativo. O Data Warehouse pode ser subdividido em mercados de dados [Data Marts] que guardam 
subconjuntos específicos de dados a partir do repositório original. Um Datamart é um banco de dados de 
suporte à decisão construído para utilização por um departamento ou grupo específico de uma empresa. 
Utilização DataMarts: Pequenos bancos de dados departamentais orientados por assunto. Solução “Tática” 
(possuem implementação mais simples). Menor tempo de desenvolvimento. Atenção: a integração de 
DataMarts exige planejamento avançado. Observações: Dados podem estar repetidos em diversos Data 
Marts. O mesmo dado pode ser representado com granularidade diferente. 
 
OBS: Data Warehouse tem por característica ser: R: Orientado a Assuntos 
 
Aula 8: Metadados e Operações OLAP 
 
Metadados: São normalmente definidos como “dados sobre os dados”. Tem papel muito importante na 
administração de dados, mas quando falamos de Data Warehouse, são considerados fundamentais uma 
vez que é a partir deles que as informações serão processadas, atualizadas e consultadas. Nos Bancos de 
Dados Operacionais a estrutura e o significado dos dados estão embutidos nas aplicações, já no ambiente 
de Data Warehouse os usuários, através dos Metadados, podem conhecer a estrutura e o significado dos 
dados. Quando falamos de projeto de Data Warehouse, os Metadados devem gerar e gerenciar uma 
documentação sobre o levantamento de dados do banco de dados, dos relatórios a serem gerados, da 
origem dos dados que alimentam o Data Warehouse, dos processos de extração, do tratamento e rotinas 
de carga dos dados, as regras de negócio da empresa e todas as suas mudanças. São divididos em dois 
grupos: 
- Metadados Técnicos: Fornecem aos desenvolvedores e usuários técnicos a confiança de que os dados 
estão corretos e são críticos para a manutenção e o crescimento contínuo do Data Warehouse. Ex.: 
 
 
 
 
Tabelas com a estrutura do Data Warehouse; Dependência dos programas; Nomes das tabelas do Data 
Warehouse. 
- Metadados de Negócio: São o elo de ligação entre os usuários de negócios e o Data Warehouse. 
Mostram que relatórios, consultas e dados estão no Data Warehouse, a localização dos dados, contexto 
dos dados, regras de transformação que foram aplicados e as origens desses dados. Ex.: Mapeamento dos 
campos das tabelas físicas do Data Warehouse; Regras para drill-down, drill-up e drill-across; 
Informações sobre sumarizações e transformações dos dados; Estruturas dos dados com a nomenclatura 
que possa ser facilmente entendida pelo usuário final. 
 
Por serem considerados um dicionário de informações os metadados devem descrever: - Fonte dos dados: 
todo elemento de dado precisa ter sua origem ou o processo que o gera identificado. - Destino dos dados: 
tão importante quanto saber a origem do dado é saber o seu destino, principalmente quando esse dado é 
usado como fonte para outras informações. - Formato dos dados: todo elemento de dados deve ter 
identificado seu tamanho e o tipo de dados. - Nome e Alias: todo elemento de dado deve ser identificado 
por um nome que pode ser da área de negócios ou um nome técnico. 
Tipos de Informações do Metadados: Podemos generalizar dizendo que os aspectos sobre os quais os 
metadados mantêm informações são: A estrutura dos dados segundo a visão do programador; A 
estrutura dos dados segundo a visão dos analistas de SAD; A fonte de dados que alimenta o Data 
Warehouse; A transformação sofrida pelos dados no momento de sua migraçãopara o Data Warehouse; A 
frequência de atualização das fontes de dados; A frequência de atualização do Data Warehouse; 
Fidelidade dos dados. Ex.: se todos os dados de janeiro foram recebidos; O histórico das extrações de 
dados; Métodos e permissões de acesso, privilégios e senhas de fontes de dados; Horários de trabalho 
dos sistemas em que se encontram as fontes de dados; Extratos ou resultados de cada processo de 
extração, incluindo o tempo necessário, conteúdos e nível de perfeição da operação; Versões dos diversos 
softwares envolvidos em todas as fases; Estatísticas de uso dos dados. 
 
Fontes de Metadados: - Formais: dados que foram amplamente discutidos, documentados e formalizados 
na organização. São armazenados em ferramentas ou documentos que são mantidos e distribuídos dentro 
da empresa. Podem fazer parte dos metadados formais tanto os metadados técnicos quando os de 
negócio. – Informais: são os dados que são tácitos ao conhecimento corporativo, não tendo nenhum tipo 
de documentação a respeito. Todos os metadados informais, quando relevantes ao processo, deverão ser 
incluídos no projeto do Data Warehouse e documentados, transformando-se em metadados formais. 
 
Camadas de Metadados: - Metadados Operacionais: Definem a estrutura dos dados mantidos pelos 
bancos operacionais, usados pelas aplicações de produção da empresa. – Metadados Centrais do Data 
Warehouse: São orientados por assunto e definem como os dados transformados devem ser 
interpretados, incluem definições de agregação e campos calculados, assim como visões sobre 
cruzamento de assuntos. – Metadados de Nível do Usuário: Organizam os metadados do Data Warehouse 
para os conceitos que sejam familiares e adequados aos usuários finais. 
 
Ambiente OLAP: Os usuários quando utilizam Data Warehouse estão interagindo com o chamado 
ambiente OLAP da organização, isto é, o ambiente voltado para operações analíticas. O termo 
processamento analítico on-line (OLAP), segundo Turban et All, refere-se a uma variedade de atividades 
normalmente executadas pelos usuários finais em sistemas on-line. As chamadas “ferramentas OLAP” 
permitem a geração de relatórios, a análise de um grande volume de dados e a obtenção de informações 
estratégicas que podem facilitar a tomada de decisão. Dizemos, então, que o termo OLAP refere-se a um 
conjunto de ferramentas voltadas para acesso e análise ad-hoc de dados, cujo principal objetivo é a 
transformação de dados em informações capazes de dar suporte às decisões gerenciais de forma 
amigável e flexível ao usuário e, fundamental, em tempo hábil. A funcionalidade OLAP é inicialmente 
caracterizada pela análise dinâmica e multidimensional dos dados consolidados de uma organização, 
permitindo que as atividades do tomador de decisão sejam tanto analíticas quanto navegacionais. Do 
ponto de vista gerencial é uma ferramenta muito importante pois proporciona uma grande capacidade de 
efetuar cálculos complexos como previsões, percentuais de crescimento e médias diversas, considerando-
se a variável tempo. 
Operações OLAP: Dril-down: analisa os dados em níveis de agregação progressivamente mais detalhados, 
ou de menor granularidade. Roll-up: analisa os dados em níveis de agregação progressivamente menos 
detalhados, ou de maior granularidade. Slice and disse: restringe os dados sendo analisados a um 
subconjunto destes dados, slice: corte para um valor fix, dice: seleção de faixas de valores. Drill-across: 
compara medidas numéricas distintas que são relacionadas entre si através de pelo menos uma dimensão 
 
 
 
em comum. Pivot: reorienta a visão multidimensional dos dados, oferecendo diferentes perspectivas dos 
mesmos dados. 
 
OBS: O usuário pode utilizar as ferramentas para navegar entre diferentes níveis de granularidade de um 
cubo de dados, aumentando ou diminuindo o nível de detalhamento dos dados, através de processos 
denominados Drill up e Drill down. R: OLAP 
- Quando usuário necessita mudar perspectiva da visão de análise dos dados, utiliza operação de. R: Dice 
 
Aula 9: Modelagem de Data Warehouse 
 
Modelagem de Dados para Data Warehouse: é diferente da utilizada para sistemas OLTP uma vez que as 
características e objetivos destes dois ambientes são distintos. O modelo de dados tradicional utiliza uma 
abordagem normalizada para o projeto de banco de dados. As ferramentas baseadas em SQL podem 
ajudar na pesquisa, mas não são flexíveis o suficiente para fornecer as respostas em um tempo hábil, 
dificultando o trabalho do tomador de decisão. A modelagem de dados para Data Warehouse, chamada 
Modelagem Multidimensional, é uma técnica de concepção e visualização de um Modelo de Dados 
apresentado em uma arquitetura intuitiva, a partir de um conjunto de medidas que descrevem aspectos 
comuns de negócios. É utilizada especialmente para sumarizar e reestruturar dados e apresenta-los em 
visões que suportem a análise dos valores desses dados. Uma visão multidimensional é usualmente 
representada por um cubo. A metáfora do cubo dá a impressão de múltiplas dimensões. Os “cubos” 
podem ter 2, 3, 4 ou mais dimensões. O usuário pode rolar e cortar (“slice and dice”) o cubo, escolhendo 
qual a dimensão(ões) que será usada em cada consulta (query). 
 
Modelo Dimensional: Um modelo dimensional é formado por três elementos básicos: - Fatos: Um fato é 
uma coleção de itens de dados, composta de dados de medidas e de contexto. Cada fato representa um 
item, uma transação ou um evento de negócio de uma empresa. É tudo aquilo que reflete a evolução dos 
negócios do dia-a-dia de uma organização. A característica básica de um fato é que ele é representado 
por valores numéricos e implementado em tabelas denominadas Tabela Fato. A tabela Fato contém 
medidas que são usadas para realizar análises e também as chaves que ligam as dimensões. As tabelas 
Fato contêm a maioria das linhas de dados; - Medidas (Variáveis): São os atributos numéricos que 
representam um fato. Uma medida é determinada pela combinação das dimensões que participam de um 
fato, e estão localizadas como atributos de um fato. Ex.: valor em reais das vendas, número de unidades 
de produtos vendidas, quantidade de unidades em estoque, custo de uma venda, etc.; - Dimensões: 
Conceitualmente são os elementos que participam de um fato, assunto de negócios. As Dimensões 
tendem a ter um número menor de linhas. As dimensões determinam o contexto de um assunto de 
negócios, por exemplo, um banco de dados que analise as vendas de produtos teria, em geral, as 
seguintes Tabelas Dimensão: Tempo; Localização; Clientes; Vendedores; Cenários (realizados, 
projetado). As tabelas de dimensões contém os atributos que descrevem os componentes de dados e 
provêm a informação para realizar análises comparativas. Normalmente não possuem atributos 
numéricos, são somente descritivas e classificatórias dos elementos que participam de um fato. Dica: São 
as possíveis formas de visualizar os dados, ou seja, são os “por” dos dados: “por mês”, “por produto”, 
“por país”, “por região”, etc … 
- Modelo Dimensional – Representação: Diagrama Estrela (Star Schema). Star Schema é o termo comum 
para designação de modelos de dados multidimensionais; Como o termo esquema nos leva diretamente a 
uma ideia de modelo físico, costumamos utilizar a nomenclatura “modelo estrela”; O modelo estrela é a 
estrutura básica de um modelo de dados multidimensional; Sua composição típica possui uma grande 
entidade central denominada fato e um conjunto de entidades menores denominadas dimensões, 
arranjadas ao redor dessa entidade central, formando uma estrela. Cada face representa uma dimensão 
ou perspectiva de interesse do negócio. O núcleo contém medidas do negócio tomadas na interseção das 
faces. Os Joins em um Modelo Estrela, tipicamente, envolvem uma tabela fato grande e uma ou mais 
tabelas Dimensão pequenas, o que torna a operação mais rápida. 
- Modelo Estrela: Altamentedesnormalizado para melhor performance; Os dados transacionais são 
armazenados em Tabelas Fato e os dados de referência são armazenados em Tabelas Dimensão. 
- Modelo Relacional Normalizado: Minimiza a redundância de dados. Os dados transacionais podem ser 
armazenados em qualquer tabela. 
- Diagrama Floco de Neve (Snowflake): O modelo Snowflake é o resultado da decomposição de uma ou 
mais dimensões que possuam hierarquias entre seus membros. Podemos definir relacionamento muitos 
para um entre os membros em uma dimensão, formando uma hierarquia por meio desses 
relacionamentos entre entidades dimensões. O modelo floco de neve é resultado da aplicação da terceira 
forma normal sobre as entidades dimensão. Acrescenta estruturas hierárquicas ao Modelo Estrela. 
 
 
 
 
Variante do modelo estrela. Tabelas de dimensões estão normalizadas (3FN). Representação explícita das 
hierarquias. Vantagem: Evita redundância (mais economia de espaço). Desvantagem: maior número de 
tabelas (maior número de junções). 
- Esquema Constelação: União de esquemas estrela e/ou floco de neve. Esquema estrela: modela em 
geral um Data Mart. Esquema constelação: modela o DW 
- Agregações: Fornecem níveis múltiplos de detalhes do fato; Os resultados das queries (ou seus valores 
intermediários) são pré-calculados, o que melhora muito a performance; As agregações podem ser 
acumuladas através de agrupamentos diferentes. Frequentemente através de várias dimensões ou 
combinações de dimensões; Os valores agregados podem ser armazenados em tabelas de fatos 
separadas, compartilhando dimensões com a tabela de fatos básica ou podem ser armazenados 
codificados nas mesmas tabelas de dimensões e de fatos básica. 
 
OBS: Na modelagem tradicional usamos normalização para evitar redundância. Com DW privilegiamos a 
velocidade da consulta e a normalização torna-se irrelevante. Um projeto de DW necessita saber onde 
buscar um determinado dado (tabela, coluna, campo) e como lidar com a ausência de dado. Patrocinador 
forte do negócio é um fator de sucesso num projeto de DW. 
- A respeito de Data Warehouse (DW) e modelagem multidimensional: R: O volume de dados de um DW 
geralmente é superior ao volume de dados de um BD transacional 
 
 
Aula 10: Processo Data Warehousing 
 
Podemos verificar que os dados são inicialmente extraídos de sistemas operacionais e de fontes externas, 
posteriormente são integrados e transformados para serem carregados no Data Warehouse. Esta é uma 
etapa crítica da construção de um Data Warehouse pois envolve toda a movimentação dos dados. A 
mesma se dá basicamente em três passos, conhecidos como Extração, Transformação (passo este que 
inclui a limpeza dos dados) e Carga dos dados. Este processo é conhecido na área de TI como Processo 
ETL. Este processo é responsável por integrar, transformar e salvar dados, não importando sua fonte nem 
seu destino. Os dados, oriundos de diversas fontes de dados são submetidos a severas transformações e 
disponibilizados de forma normalizada. Em ambientes complexos existe a possibilidade de utilização de 
softwares que executam as transformações automaticamente. Dependendo da periodicidade de 
atualização dos dados devem ser estabelecidos mecanismos de sincronização de dados para garantir a 
integridade dos dados. 
- Extração de Dados: A extração é o primeiro passo na obtenção de dados para o ambiente do DW. 
Basicamente diz respeito à busca dos dados nas diversas fontes de origem e à cópia destes dados para a 
área de transformação de dados, a fim de serem trabalhadas posteriormente. Na construção deste 
processo é fundamental o acesso e a clara compreensão dos dados de origem. 
- Transformação de Dados: Uma vez que os dados são extraídos devem passar por uma série de 
tratamentos. O primeiro passo destes tratamentos refere-se à limpeza ou filtragem dos dados, onde o 
objetivo é garantir a integridade dos dados através de programas ou rotinas especiais que tentam 
identificar anomalias e resolve-las, deixando os dados em um estado consistente antes de serem 
instalados no Data Warehouse. Ex.: correção de erros de digitação, descoberta de violações de 
integridade, substituição de caracteres desconhecidos, padronização de abreviações. É comum a utilização 
dos seguintes termos quando nos referimos à Transformação de Dados: Limpeza, Integração, 
Enriquecimento, Qualificação (Scoring), Validação, Atualização de mudanças, Cálculos. 
- Carga de dados: Depois de transformados e “limpos” os dados estão aptos para serem carregados no 
Data Warehouse. A etapa de carga também demanda muita atenção de TI pois exige uma série de 
cuidados, por exemplo: Integridade dos dados: Assim como nos bancos de dados operacionais, é preciso 
assegurar que as regras de integridade das chaves estrangeiras sejam respeitadas no momento da carga; 
Tipo de carga a ser realizada – incremental ou total: A carga incremental normalmente é feita para 
tabelas de fatos e a carga total é feita em tabelas de dimensão onde o analista terá que excluir os dados 
existentes e incluí-los novamente. Mas isso depende da necessidade do negócio em questão; Otimização 
do processo de carga: Todo banco de dados possui um conjunto de técnicas para otimizar o processo de 
carga, tais como evitar a geração de log durante o processo, criar índices e agregar dados; Suporte 
completo ao processo de carga: O serviço de carga também precisa suportar as exigências antes e depois 
da carga atual, como eliminar e recriar índices e particionamento físico de tabelas e índices. 
 
Dificuldades no Processo ETL: - Externas: Prazos muito curtos; Relacionamento com outras equipes: a 
falta de tempo dos analistas OLTP. a falta de paciência dos usuários; Falta de documentação: Necessidade 
 
 
 
de reduzir custos do projeto. - Internas: Erros humanos como troca de nomes e tipos de variáveis; Uso de 
regras de extração em desarmonia com as regras necessárias; Dados não esperados sendo extraídos 
(tipo, tamanho, formato e conteúdo). Inserção de erros de transformação (escala de valor ou unidade); 
Uso de equações matemáticas. Aplicação de seleções não planejadas no momento da carga; Erros de 
codificação, tipo e formato de dados; Diferença entre modelagens de dados. 
Enganos sucessivos no ETL: Perda da confiança dos usuários; Perda da motivação dos usuários para 
apoiar; Redução no moral da equipe de sistemas. 
 
As abordagens de implementação de Data Warehouse em uso pelas organizações são três: 
- TopDown: Esta abordagem é conhecida como padrão inicial do conceito de Data Warehouse e necessita 
de maior planejamento assim como demanda um trabalho maior de definições conceituais de tecnologia 
antes de iniciar-se o projeto propriamente dito. As decisões sobre fontes de dados que serão utilizadas, 
segurança, estruturas de dados, qualidade de dados, padrões de dados e os vários modelos de dados dos 
sistemas transacionais atuais devem estar completos antes do início da implementação. Nesta arquitetura 
o processo se inicia com a extração, a transformação e a integração das informações dos sistemas 
transacionais e dados externos para um ODS ou diretamente das fontes operacionais. A seguir, os dados 
e metadados são transferidos para o Data Warehouse, a partir do qual são extraídos os dados e 
metadados para os Data Marts, onde as informações estão em maior nível de sumarização e, 
normalmente, não apresentam o nível histórico encontrado no Data Warehouse. O ponto positivo a se 
detacar na abordagem Top Down é que obriga a empresa a definir regras de negócio de forma 
corporativa, antes de iniciar-se o projeto de Data Warehouse em si; 
- Bottom Up: Esta abordagem permite que o planejamento e o desenho dos Data Marts possam ser 
realizados sem esperar que seja definida uma infra-estrutura corporativa para o Data Warehouse. Essa 
infra-estrutura não deixará de existir, apenas poderá ser implementada incrementalmente conformeforem sendo realizados os Data Marts. Como a implementação Top Down é politicamente difícil de ser 
definida e cara, a abordagem Bottom Up vem se tornando popular. É bastante aceita pelos executivos por 
possuir um retorno de investimento rápido. O objetivo desta implementação é a construção de um Data 
Warehouse incremental a partir do desenvolvimento de Data Marts independentes. O processo começa 
com a extração, a transformação e a integração dos dados para um ou mais Data Marts. Um dos grandes 
problemas dessa implementação é a falta de um gerenciador que garanta padrões únicos de metadados. 
Essa dificuldade é responsável pela falha na elaboração incremental do Data Warehouse. Podem ocorrer 
redundâncias de dados e inconsistências entre os Data Marts, mas que podem ser minimizados por meio 
de um planejamento, monitoração e estabelecimento de regras (metodologia). Outro problema é que o 
processo de extração pode tornar-se crítico na interferência junto aos sistemas transacionais, devido à 
estrutura de múltiplos Data Marts; 
- Intermediária: Essa abordagem integra a implementação Top Down com a Bottom Up. Nessa 
abordagem, efetua-se a modelagem de dados do Data Warehouse com visão macro. A partir daí, cada 
Data Mart pode ser gerado a partir do macromodelo de dados do Data Warehouse e integrado ao modelo 
físico do Data Warehouse. A principal vantagem dessa abordagem é a garantia da consistência dos dados, 
pois o modelo de dados para os Data Marts é único. 
 
- Planejamento: Definição do escopo do projeto, considerando-se as áreas críticas da empresa e as 
necessidades mais permanentes de informações gerenciais. 
- Levantamento de Necessidades: Identificados os modelos de projeto: o modelo dimensional e o modelo 
relacionado às fontes das informações. Modelo dimensional: representa os blocos conceituais de dados 
necessários para atender os objetivos do sistema de suporte à decisão. Modelo relacionado às fontes das 
informações: permite avaliar a qualidade e a integridade dos dados-fonte, além da sua duração histórica. 
- Modelagem Dimensional: Projeto de quais os indicadores (medidas) que serão analisados, e as 
dimensões de análise, considerando quais indicadores são necessários para gerenciar o negócio. Deve 
considerar quais são os dados disponíveis para gerar os indicadores, e aqueles que precisam ser 
disponibilizados. 
- Projeto Físico dos BDs: Definição das tabelas Fato e Dimensão e seus relacionamentos e índices. 
Implantação de regras associadas. 
- Projeto ETL: Definição dos vários elementos que irão compor as atividades do processo de ETL: Filtro de 
Dados. Procedimentos e condições para se eliminar os elementos de dados indesejáveis no modelo 
dimensional. Integração de Dados: Define a forma de se correlacionar informações existentes em fontes 
distintas, e que deverão ser integradas no Data Warehouse. Condensação de Dados: Define a forma de se 
reduzir volumes de dados visando a obter informações resumidas e sumarizadas. Conversão/Integração 
de Dados: Define os procedimentos para padronizar dados que se encontram com unidades, formatos e 
dimensões diferentes. Exemplo: vendas de produtos no mês, produção de componentes por dia e compra 
 
 
 
 
de materiais por semana. Derivação de Dados: Define os meios e fórmulas para produzir dados virtuais, a 
partir de dados existentes. 
- Desenvolvimento de Aplicações: O objetivo final do Data Warehouse é o ambiente de consultas OLAP. 
Este ambiente deve ter uma interface amigável e simples, onde o usuário pode construir suas consultas, 
de acordo com sua necessidade ou intuição. As aplicações ou ferramentas deste ambiente devem 
possibilitar a visualização de dados em formas variadas e a importação dos dados obtidos para 
ferramentas do usuário final, como por exemplo, planilhas e processadores de textos. 
- Validação e Teste: Teste do sistema é testado considerando-se, o máximo possível, as simulações de 
volume e de processamentos. 
- Treinamento: Todos os usuários envolvidos com a atividade gerencial de negócio deverão ser treinados, 
não apenas nas ferramentas/aplicações, mas também nos conceitos associados ao Data Warehouse. 
- Implantação: Acompanhamento de uso das aplicações disponibilizadas. A equipe do projeto deverá 
incentivar os usuários a apresentarem críticas e sugestões de melhorias para as próximas versões do 
sistema. 
As etapas de Planejamento e Modelagem são decisivas para o sucesso de sua implementação. Uma 
solução bem desenhada tem por objetivos: Analisar as informações dos usuários, satisfazendo suas 
necessidades. Monitorar e comparar as operações do momento atual com momentos passados. Prever 
situações futura. Projeto Data Warehouse: - Mitos: Os dados não mudam na migração, Os dados são 
migrados apenas uma vez, Tudo está bem documentado, Toda a documentação está disponível, A 
conversão e a movimentação de dados é fácil, A transformação é uma pequena parte do projeto; - Fatos: 
Os dados antigos não são conhecidos ou entendidos, Muitas aplicações encontram-se em sistemas 
proprietários, A data de entrega é normalmente estabelecida antes da análise do problema, Há uma 
complexidade e diversidade de sistemas e de culturas, Não há controle dos processos do negócio, Não há 
especialização em muitas das linguagens e banco de dados, Fontes de dados externas são necessárias. 
 
OBS: Qual das alternativas abaixo apresenta uma das vantagens da Implementação Top Down? R: Todos 
os negócios da empresa estão concentrados no Data Warehouse 
 
Revisão - Aula 6 a 10 
 
- SAD (Sistema de Apoio à Decisão): É um sistema de informação baseado em computador que utiliza 
conhecimentos para apoiar gerentes (ou pessoas autorizadas) que trabalham naquela área a solucionar 
problemas, ou seja, tomar decisões. um SAD deve comandar um sistema interativo para auxiliar 
tomadores de decisão a utilizar dados e modelos para solucionar problemas não estruturados. O SAD 
permite que o tomador de decisão possa: Buscar informações em bancos de dados diferentes, mesmo que 
estejam em lugares distintos. Acessar a outras fontes de dados pela Internet ou por uma Intranet da 
organização. Obter informações específicas sobre o determinado problema para facilitar a análise de 
alternativas de solução. 
- Data Warehouse: Banco de dados que armazena dados sobre as operações da empresa, como vendas e 
compras, extraídos de uma fonte única ou múltipla, oferecendo enfoque histórico, para permitir um 
suporte efetivo à tomada de decisão. Dados integrados e históricos que servem desde a alta direção, que 
necessita de informações mais resumidas, até as gerências de baixo nível, onde os dados detalhados 
ajudam a observar aspectos mais táticos da empresa. Principai tarefas: Obter dados dos BD’s 
operacionais e externos; Armazenar os dados; Fornecer informações para tomada de decisão; Administrar 
o sistema e os dados. 
- Granularidade de Dados: Diz respeito ao nível de detalhe dos dados existentes no Data Warehouse. 
Quanto maior o nível de detalhe, menor o nível de granularidade. 
- DataMarts: Muitas vezes, apesar do Data Warehouse possuir um grande volume de dados de toda a 
empresa, é necessário trabalhar apenas com uma parte destes dados, correspondente a um setor da 
empresa, ou fazer a implantação do Data Warehouse de forma fracionada até se formar o sistema 
corporativo. Pode ser considerado como um subconjunto de dados que possui regras de negócio e de 
cálculo específicas, sumarizados ou agregados de um data base maior. 
- Metadados: A definição mais simples de metadados é que eles são dados sobre dados – mais 
especificamente, informações (dados) sobre um determinado conteúdo (os dados). Os metadados são 
utilizados para facilitar o entendimento, o uso e o gerenciamento de dados. Um registro de metadados 
consiste de alguns elementos pré-definidos que representam determinados atributos de um recurso, 
sendo que cada elemento pode ter umou mais valores. 
 
 
 
- Metadados Técnicos: Fornecem aos desenvolvedores e usuários técnicos a confiança de que os dados 
estão corretos; São críticos para a manutenção e o crescimento contínuo do DW. Ex.: Controles de 
auditoria; Tabelas com a estrutura do DW; Dependência dos programas; Nomes das tabelas do DW. 
- Metadados de Negócio: São o elo de ligação entre os usuários de negócios e o DW; Mostram que 
relatórios, consultas e dados estão no DW, a localização dos dados, contexto dos dados, regras de 
transformação que foram aplicados e as origens desses dados. Ex.: Mapeamento dos campos das tabelas 
físicas do DW; Regras para drill-down, drill-up e drill-across; Informações sobre sumarizações e 
transformações dos dados; Estruturas dos dados com a nomenclatura que possa ser facilmente entendida 
pelo usuário final. 
- Processo ETL (Extração, Tratamento e Loader (carga)): Responsável por integrar, transformar e salvar 
dados, não importando sua fonte nem seu destino. Os dados são submetidos a severas transformações e 
disponibilizados de forma normalizada. Dependendo da periodicidade de atualização dos dados devem ser 
estabelecidos mecanismos de sincronização de dados para garantir a integridade dos dados. 
- Extração de Dados: Primeiro passo na obtenção de dados para o ambiente do DW. Busca dados nas 
diversas fontes de origem e os transporta para a área de transformação de dados. Na construção deste 
processo é fundamental o acesso e a clara compreensão dos dados de origem. 
- Transformação de Dados: Após a extração de dados deve existir o tratamento destes dados. O primeiro 
passo deste tratamento refere-se à limpeza, ou filtragem dos dados, cujo objetivo é garantir a integridade 
dos dados através de programas ou rotinas especiais que tentam identificar anomalias e resolve-las. É 
maior preocupação da área de TI pois, se não existir uma estratégia adequada, o Data Warehouse pode 
falhar. 
- Carga de Dados: Depois de transformados e “limpos” os dados estão aptos para serem carregados no 
Data Warehouse. Esta etapa também demanda muita atenção de TI pois exige uma série de cuidados, 
Ex.: Integridade dos dados. Tipo de carga a ser realizada. Otimização do processo de carga. Suporte 
completo ao processo de carga. 
- Modelagem de Dados: A Modelagem Multidimensional é uma técnica de concepção e visualização de um 
Modelo de Dados de um conjunto de medidas que descrevem aspectos comuns de negócios. É utilizada 
especialmente para sumarizar e reestruturar dados e apresenta-los em visões que suportem a análise dos 
valores desses dados. 
- Modelo Dimensional - Diagrama Estrela (Star Schema): Star Schema é o termo comum para designação 
de modelos de dados multidimensionais; Como o termo esquema nos leva diretamente a uma ideia de 
modelo físico, o mais usual é denominarmos de modelo estrela; O modelo estrela é a estrutura básica de 
um modelo de dados multidimensional. Sua composição típica possui uma grande entidade central 
denominada fato e um conjunto de entidades menores denominadas dimensões, arranjadas ao redor 
dessa entidade central, formando uma estrela. 
- Diagrama Floco de Neve (Snowflake): O modelo Snowflake é o resultado da decomposição de uma ou 
mais dimensões que possuam hierarquias entre seus membros; Podemos definir relacionamento muitos 
para um entre os membros em uma dimensão, formando uma hierarquia por meio desses 
relacionamentos entre entidades dimensões; O modelo floco de neve é resultado da aplicação da terceira 
forma normal sobre as entidades dimensão. Variante do modelo estrela. Tabelas de dimensões estão 
normalizadas (3FN). Representação explícita das hierarquias. Vantagem: Evita redundância (mais 
economia de espaço). Desvantagem: Maior número de tabelas (maior número de junções). Modelo estrela 
é considerado mais apropriado. Desperdício de espaço é menos crítico que tempo para recuperação de 
dados em um DW. 
- Esquema Constelação: União de esquemas estrela e/ou floco de neve. Esquema estrela: modela em 
geral um Data Mart. Esquema constelação: modela o DW.