Baixe o app para aproveitar ainda mais
Prévia do material em texto
Introdução Data Warehouse Por que Projeto de Data Warehouse Durante anos, temos desenvolvido sistemas aplicativos transacionais. O foco das técnicas estruturas manteve uma busca incessante pela qualidade de software, sempre à procura da aplicação perfeita, com nível de erro mínimo, rotinas exaustivas de testes, banco de dados e por aí vai. 3 Por que Projeto de Data Warehouse Mas sempre na busca de estabelecer elementos de controle operacional para a empresa. Sempre com direcionamento para automação de processos. Surge agora a necessidade de Business intelligence. Surge agora? 4 A Necessidade Não. Em verdade, essa necessidade sempre existiu. As falhas estruturais, os custos de desenvolvimentos de sistemas, entre outros, sempre deixaram para o último lugar as necessidades executivas de informação. Com a dificuldade de entender a diferença entre INFORMAÇÃO e DADO. Esta dificuldade traz, como consequência direta, problemas na especificação e modelagem de um sistema. 5 A Necessidade A informação acrescenta algo mais que o simples dado. Dado, por definição, é um valor relativo a descrever um objeto a descrever um objeto de interesse, algo que descreve uma atividade, uma pessoa, alguma coisa estática. Na realidade , uma informação num caso médico é mais do que um dado. 6 A Necessidade Analisemos um exame de rotina de um médico: Mede-se a pressão arterial. Obtêm-se dados: valor da máxima e da mínima, popularmente falando. O normal de um analista de sistema é projetar um sistema para armazenar e manipular esses dados sob várias formas. Entretanto, não tratamos a informação. Não extraímos a informação de modo sistêmico. 7 A Motivação Qual é a tendência de saúde do cliente em função dos dados históricos de pressão arterial? Vai ter um enfarto! Possui uma saúde cardíaca boa! Etc. Estas sentenças são informações e podem ser projetadas para controle por meio de aplicações de sistemas. Daí o surgimento de Armazém de Dados, a fonte de informações, e seus corredores e prateleiras organizados por tipo de dados, áreas de interesse do dado, e o acesso irrestrito à corporação, o foco corporativo. 8 A Motivação O termo Inteligência de Negócios, ou Inteligência Empresarial, como se diz em Portugal, ou Business Intelligence (BI), é o conjunto de tecnologias orientadas a disponibilizar informação e conhecimento em uma empresa. Sob BI situam-se as tecnologias de Customer Relationship Management (CRM), Knowledge Management (KM) e Data Warehouse (DW). 9 A Motivação Assim como tivemos o bug do milênio, na realidade do fim do milênio, que teve como causa a economia de espaço em meios magnéticos (discos), em função da tecnologias de storage do início da era da informática, esta mesma causa nos condenou a não manter bases de dados históricos superiores ao ano em curso nos meios de armazenamento e acesso rápido. Como resultado dessa economia, a história das operações de negócio das empresas ficou armazenada, mas de difícil acesso e disponibilidade. 10 Data Warehouse Como tratar informações, se normalmente elas são resultados de processamento de séries históricas de dados? Praticamente impossível e lento, e considerando o back log de aplicações de controle de operações sempre existente, independente das metodologias de desenvolvimento aplicadas. 11 Data Warehouse Desta forma os executivos de decisão das empresas obtiveram, nas décadas de 1980 e 1990, os sistemas denominados Executivo Information System (EIS). Entretanto, esses sistemas sempre foram dirigidos para o período de tempo atual, no gerenciamento das crises, do emergencial, do momento. 12 Data Warehouse Serviram aos seus propósitos como continuam servindo, mas não suportam os processos de análises estratégica. O que deseja o executivo? Conhecer seus clientes e seu mercado em primeiro lugar. 13 CRM Neste ponto entra o CRM (Customer Relationship Managemente). Os pontos principais desse relacionamento diferenciado com o cliente centram-se em algumas afirmativas: • Identificar o cliente. • Diferenciar o cliente. • Interagir com o cliente. • Personalizar o contato com o cliente. 14 CRM Tudo isso em busca de “Tratar clientes diferentes de forma diferente” Conhecer suas preferências, seus dados pessoais, sua moeda de negócios, seu nome etc. Isso só é possível se possuirmos informações amplas sobre o cliente e acesso fácil a elas. Operacionalmente são utilizados diversos instrumentos para esta finalidade: 15 CRM Web. Call center: atendimento a clientes. Automação de força de vendas: informação por meio dos vendedores de forma automatizada e conectividade. Telemarketing: contato com o cliente em busca de negócios. Gerenciamento de campanhas de marketing 16 CRM Entretanto, o resultado desse CRM operacional deve permitir a criação de bases de informações para a realização do que podemos denominar de CRM analítico. Devemos possuir um armazém de dados para permitir que se realize análises tais como: 17 CRM • Segmentação de clientes • Análise de Campanhas • Análise de Vendas • Análise de Fidelidade • Lucratividade • Desempenho de Negócios • Análise de atendimento ao cliente 18 CRM Na realidade, tudo que se fala em CRM é uma busca para: Obter clientes. Manter clientes. Desenvolver clientes. Para a obtenção do resultado desejado, é necessária a utilização de tecnologia de Data Warehouse. 19 Data Warehouse Construir armazéns de dados onde a história da empresa, seus clientes fornecedores e operações se mantivessem disponíveis e acessíveis para consultas e análise. 20 Data Warehouse Para que se possibilitassem as consultas, surgiram as ferramentas de conceito OLAP (On-line Analytical Processing) que, traduzidas para a realidade, nada mais fazem que permitir a análise dos dados e descoberta das informações antes inimagináveis, disponibilizar a visualização dos dados sob diversas perspectivas, a capacidade de navegar no nível de detalhe da informação. 21 Data Warehouse Mas não basta termos experiência em projeto de sistemas operacionais, orientados a transação de negócios. O mais importante é que para projetarmos esses ambientes de Data Warehouse devemos mudar a nossa forma acadêmica de pensar sistemas. Não podemos projetar um novo ambiente de Data Warehouse pensando em consistência entre dados que entram; integridade referencial já não é mais a nossa preocupação maior. 22 Data Warehouse Como então projetar sistemas para usuários que têm menos tempo de fornecer suas necessidades que os usuários tradicionais? Estatísticas mundiais mostram que o tempo gasto com a obtenção e análise dos dados para a tomada de decisão é significativamente menor quando da existência de aplicações estratégicas de Data Warehouse, permitindo que a tomada de decisão seja mais calculada e precisa. 23 Data Warehouse As respostasa simples perguntas como: • Quem são os meus clientes mais rentáveis? • Quais são os melhores segmentos de clientes para um novo produto ou serviço? • Como posso gerenciar melhor minhas campanhas de marketing direto e aumentar sua eficiência? São difíceis de dar, e muitas vezes não são respondidas, ou são de forma empírica, sem base de dados suficiente para a tomada de decisão. 24 Data Warehouse 25 Como Realizar BI Em primeiro lugar devemos recuperar os dados históricos da empresa. Isso significa buscar cópias das bases de dados superiores, há dois anos inclusive. Descobrir as necessidade de informação, indicadores de negócio da empresa. Aqui um parêntese: ”É necessário” que quem solicita o DW possua conhecimento sobre quais são efetivamente os indicadores de negócios utilizados em planejamento estratégico e operacional de sua organização. Ex.: taxa de devolução mensal de produtos. 26 Como Realizar BI Projetar banco de dados para armazenar essas informações. Disponibilizar os dados históricos para um processo de extração, limpeza, transformação e carga de um Data Warehouse. Executar esses processos. Utilizar uma ferramenta de EIS ou DSS. Este é um projeto de Data Warehouse em poucas palavras. Data Warehouse é uma arquitetura, não uma tecnologia. 27 Como Realizar BI 28 Como Realizar BI • O resultado de um projeto de Data warehouse é: • Informação disponível para gestão. • Visão de curvas de comportamento. • Agilidade de ferramentas para apoio à decisão. • Segurança de informações para decisão. • Maior abrangência de visão de indicadores. • Recursos mais abrangentes para análise de negócios. • Necessidades e expectativas executivas atendidas por tecnologias da informação. 29 A importância da Modelagem Multidimensional A modelagem multidimensional é a técnica estruturada desenvolvida para obtenção de modelos de dados de simples entendimento e alta performance de acesso aos dados. Como um Data Warehouse é um banco de dados orientado somente para a consulta de seus dados, a orientação da técnica criou os denominados modelos estrelas como o apresentado na figura abaixo. 30 A importância da Modelagem Multidimensional 31
Compartilhar