Aula4

Prévia do material em texto

PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
Scheila Mello 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 O Modelo em Estrela é o mais simples, é chamado de estrela, 
porque o diagrama se assemelha a uma estrela, com pontos 
que irradiam de um centro. 
 
 O centro da estrela é formado por uma ou mais tabelas Fato 
e os pontos da estrela são as tabelas Dimensões. 
 Modelo Star Schema (Modelo Estrela) 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
FATOS 
No Modelo Estrela as tabelas Dimensões se 
relacionam com a tabela Fato, desta forma 
essas tabelas precisam ter as descrições 
necessárias para definir uma classe, ou 
seja, as dimensões não são normalizadas, 
então poderá ter campos com conteúdos 
repetidos em cada registro, aumentando 
assim o tamanho das tabelas. 
Modelo Star Schema (Modelo Estrela) 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
Modelo Star Schema (Modelo Estrela) 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
Ex: Star Schema 
 Fato 
Canal de Venda 
Locais 
Tipo de Cliente 
Código de 
Vendendor 
Código do Produto 
CEP 
Tipo de Cliente 
Quantidade 
Valor 
 Código do Vendendor 
Nome Vendendor 
Código Loja 
Nome Loja 
Local Loja 
Canal Distribuição 
Nome do 
Produto 
Categoria 
Tipo Produto 
Sub-tipo 
Produto 
Tipo de Cliente 
Descrição Tipo 
Categoria do 
Cliente 
Descrição da 
Categoria 
Dimensões 
CEP 
Produto 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
Ex 2: 
STAR 
SCHEMA 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 É um modelo simples e eficiente, caracterizado por possuir uma 
única tabela de fatos e chaves simples nas tabelas de dimensões. 
 Cada dimensão é representada por uma única tabela. 
Modelo Star Schema (Modelo Estrela) 
 
Os pontos positivos deste modelo são a eficiência, 
dada pelo reduzido número de junções nas pesquisas 
e pelas chaves simples, e a facilidade de definir 
hierarquias. 
 Os pontos negativos são o tamanho e a 
desnormalização das tabelas de dimensões. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 Star Schema: Cuidados 
Grande números de Dimensões. 
Granularidade excessivamente fina dentro das Dimensões (tendo 
como resultado uma quantidade de linhas na tabela Fato quase 
igual à quantidade de linhas do nível atômico). 
 1.000 linhas 
2.000 linhas 
24 linhas 
100 linhas 
1.00x2.00x100x24 = 
4.800.000.000 linhas 
 Cuidado 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
Modelo Star Schema 
Caracterí sticas 
 Aplicados ao DW ou a Data Marts; 
 Rapidez de acesso; 
 Simplicidade e fácil entendimento; 
 Estrutura consistente 
 .. Tabela Fato - Núcleo da Estrela 
 .. Tabelas de Dimensões - Pontos de entrada na tabela Fato 
 Caminhos de acesso presumidos. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
Chaves, Medidas 
 
 Tabelas Fato 
Contém métricas de negócio 
expressas por atributos numéricos 
(vendas por Loja por Produto por 
Dia) quantificando dados das 
Tabelas Dimensões. 
Nível de detalhe define o limite de 
“drill-down”. 
Estrutura de chave composta. 
 Tabelas de Dimensões 
Descrevem os Dados 
organizados na Tabela Fato. 
Chaves se relacionam aos 
componentes da chave da 
Tabela Fato. 
Níveis de agregação deve ser 
controlado. 
Chave Dimensão 
Modelo Star Schema (Modelo Estrela) 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
É uma variação do Modelo Estrela, na qual existem várias tabelas 
Fato e de Dimensão separadas lógica e fisicamente por níveis de 
sumarização. 
 
 Desse modo, os dados são particionados em 
 granularidades distintas. 
 Possui várias tabelas Fato, na prática existem 
 várias estrelas, cada uma representando uma 
 combinação de níveis de agregação em cada Dimensão. 
Modelo Estrela Parcial 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
Exemplo de duas estrelas no Modelo Estrela Parcial 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 Mesmo reduzindo as redundâncias, é 
 um modelo que resulta em maior número de 
 tabelas em junções, podendo haver queda 
 de desempenho. 
 
 Modelo Snowflake (Flocos de Neve) 
Os Modelos Snowflake acrescentam graus de normalização às 
tabelas de Dimensões do Modelo Estrela, eliminando redundâncias 
e a necessidade do indicador NÍVEL. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
Modelo Snowflake (Flocos de Neve) 
 É o resultado da decomposição de uma ou mais dimensões 
que possuem hierarquias entre seus membros. 
 É o resultado da aplicação da terceira forma noraml sobre as 
entidades dimensão. 
 É de fácil entendimento pelos desenvolvedores de sistemas 
OLTP, pois aplica as formas normais como em projeto 
relacional. 
 É um modelo normalizado, logo evita a redundância de 
valores textuais em uma tabela. 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 Por exemplo, se uma dimensão de tempo é normalizada em 
várias tabelas de dimensão: 
 uma tabela de ano, uma tabela de mês e uma tabela de data; 
 em seguida, é possível ter várias tabelas de fatos que 
armazenam dados a outro nível de granularidade com respeito 
ao tempo; 
uma tabela de Fatos pode estar relacionada com a tabela de 
data; 
 enquanto outra podia se relacionar com a tabela de mês ou o 
ano. 
Modelo Snowflake (Flocos de Neve) 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
A normalização das dimensões tem um efeito negativo na 
velocidade de saída dos resultados e, acima de tudo, apresenta 
ao utilizador um conjunto complexo de tabelas relacionadas 
entre si de difícil compreensão e utilização. 
 
 
Por todas estas razões é um esquema nada aconselhado a 
ser utilizado para a elaboração de um Banco de Dados 
Analítico.. 
Modelo Snowflake (Flocos de Neve) 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 A técnica snowflaking consiste em normalizar uma dimensão, 
removendo atributos do tipo texto de baixa cardinalidade e 
colocá-los em dimensões secundárias e depois criar um 
relacionamento entre essas dimensões. 
 
 Desta forma mais tabelas são usadas para representar 
 as mesmas dimensões, porém o espaço ocupado em 
 disco é menor que no modelo estrela. 
Modelo Snowflake (Flocos de Neve) 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
O modelo Floco de Neve apesar de ocupar menos espaço em 
disco acaba sendo mais complexo devido à quantidade de 
tabelas, além de tornar a navegação mais lenta justamente por 
precisar acessar um número maior de tabelas para realizar as 
consultas. 
Modelo Snowflake (Flocos de Neve) 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
Ano Semestre 
Trimestre 
Mês 
Produto 
Familia 
Linha 
Cidade 
Estado 
 
Região 
 Data 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 Ex: 
SNOWFLAKE 
após a 
normalização do 
EX. 2 do Modelo 
STARSCHEMA 
http://msdn.microsoft.com/pt-br/library/Cc518031.4_whitepaper-modelagem_de_bancos_de_dados_multidimensionais_19(l=pt-br).jpg
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
Modelo Snowflake (Flocos de Neve) 
 
 Lembrete: 
Uma base de dados analítica não possui inclusão de dados 
por meio de digitação, logo não necessita de aplicação de 
normalização para garantir unicidade de valores textuais 
(campos de descrições), e nem deve ser preocupação do 
desenvolvedor a economia de espaço em meio magnético, e 
sim garantir a respeitabilidade do preceito de informação 
RÁPIDA para usuário final. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 Apesar do Modelo Estrela ocupar mais espaço no 
banco, ele é mais simples e sua navegação pelos 
softwares mais fácil, sendo assim mais recomendado 
à criação deste modelo. 
 
Conclusão 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSEAs Hierarquias no Modelo SnowFlake 
 No Modelo Floco de Neve o relacionamento estabelecido 
entre as Dimensões demonstra uma Hierarquia e esta técnica 
Snowflaking possibilita a visualização gráfica dessas 
Hierarquias das Dimensões. 
 
 As Hierarquias podem ser classificadas em Balanceadas ou 
Regular, Desbalanceadas ou Parent-Child e Irregular ou 
Ragged. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
As Hierarquias no Modelo SnowFlake 
 
 
 
Na Hierarquia Balanceada ou Regular a quantidade de 
níveis é uniforme, todas as folhas membros da hierarquia 
tem a mesma distância da raiz, cada membro da hierarquia 
tem a mesma quantidade de níveis superiores e o processo 
de extração e carga dos dados nesta dimensão é simples. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
As Hierarquias no Modelo SnowFlake 
 
Na Hierarquia Desbalanceada ou Parent-Child a quantidade 
de níveis é variável, os membros da hierarquia são definidos 
com seus respectivos níveis superiores e cada linha da 
dimensão possui a sua chave e a chave do membro pai na 
hierarquia. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
As Hierarquias no Modelo SnowFlake 
 
 
 
Na Hierarquia Irregular ou Ragged a quantidade de níveis 
também é variável e nem todos os membros da hierarquia 
tem a mesma quantidade de níveis superiores, ou seja, pode 
existir um buraco entre os níveis. 
Esta hierarquia possui membros cujos pais pertencem à 
hierarquia, mas estão a mais de um nível acima de seus 
filhos. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
As Hierarquias no Modelo SnowFlake 
Existem ainda as Múltiplas Hierarquias que são criadas para 
mostrar as diferentes visões de uma dimensão a fim de 
atender necessidades de análises diferentes. 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
Algumas características da 
Modelagem Multidimensional 
 Quando as Dimensões mais utilizadas são 
 identificadas pode-se modelar e implementar 
Tabelas Fato Agregadas, ou sumarizadas, com um nível 
de granularidade menor, o que implica em redução da 
quantidade de linhas, contribuindo para a melhoria da 
performance e tempo de resposta. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Algumas características da 
Modelagem Multidimensional 
A Agregação é uma Tabela Fato representando uma 
sumarização das medidas de uma Tabela Fato Básica. 
 
 Ela deve ser distinta e ser suportada por um 
 conjunto de Dimensões contendo somente 
 atributos definidos para seu nível de 
 granularidade, devem ser completamente 
 transparentes para os usuários e impactar o 
 mínimo possível o custo da extração. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
1) Carregue dados detalhados para as estruturas 
dimensionais. 
 
 Usuários normalmente não precisam visualizar um registro 
por vez, mas é impossível prever em quais diferente 
 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 para acessarem os detalhes. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
2) Estruture os modelos dimensionais em torno dos 
processos de negócios. 
 
 Os processos de negócios são as atividades desenvolvidas 
por sua empresa (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. 
 Cada processo de negócio é representado por uma única 
tabela fato. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
3) Tenha certeza de que cada tabela fato tenha uma 
dimensão de data associada. 
 
 Os eventos mensuráveis descritos na Regra 2 sempre tem 
uma data de algum tipo associada a eles, sejam eles um 
balancete mensal ou uma transferência de dinheiro registrada 
em seu centésimo de segundo. 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
3) Tenha certeza de que cada tabela fato tenha uma 
dimensão de data associada. (cont....) 
 
 Cada tabela Fato deve ter ao menos uma chave estrangeira 
associada a uma tabela de Dimensão Data, cuja granularidade 
é Dia, com os atributos de calendário e suas características não 
padronizadas relacionadas a data do evento, como o período 
fiscal ou um indicador corporativo de feriado. 
 
 Múltiplas chaves estrangeiras de Data podem estarem 
ligadas em uma única tabela Fato. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
4) Certifique-se que todos os fatos em uma única tabela 
fato estão na mesma granularidade ou nível de detalhe. 
 
 Existem três granularidades fundamentais para classificar 
todas as tabelas fato: transacional, snapshot* periódico, ou 
snapshot acumulado. 
 
*Snapshot é uma expressão em inglês que significa "foto instantânea" ou 
"registro instantâneo“. 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
4) Certifique-se que todos os fatos em uma única tabela 
fato estão na mesma granularidade ou nível de detalhe. 
(cont...) 
 
 Independente de sua granularidade, cada métrica em uma 
tabela fato deve estar exatamente no mesmo nível de detalhe. 
 
 Quando misturamos fatos representando muitos níveis de 
granularidade em uma mesma tabela Fato, estamos tornando 
as aplicações de BI vulneráveis a erros de valores ou outros 
resultados incorretos. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
5) Resolva relacionamentos muitos para muitos em tabelas 
Fato. 
 
 A tabela Fato guarda os resultados de um evento de um 
processo de negócios, existem inerentemente relacionamentos 
(M:M) entre suas chaves estrangeiras, como diferentes produtos 
vendidos em diferentes lojas em diferentes dias. 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
6) Resolva os relacionamentos muitos-para-um nas tabelas 
de dimensões. 
 
 Hierarquicamente, relacionamentos (M:1) entre atributos são 
normalmente desnormalizados ou concentrados em uma única 
tabela dimensão. 
 Neste caso devemos resistir a tendência de normalizar ou 
criar um snowflake com subdimensões menores para cada 
relacionamento M:1; desnormalização de dimensões é a regra 
do jogo na modelagem dimensional. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
6) Resolva os relacionamentos muitos-para-um nas tabelas 
de dimensões. (cont...) 
 
 É bastante comum ter muitos relacionamentos M:1 em uma 
única tabela dimensão. 
 Relacionamentos 1:1 como uma única descrição de produto 
associada a um código de produto, também são encontradas 
em uma tabela dimensão. 
 Ocasionalmente relacionamentos M:1 são resolvidos na 
tabela fato, como no caso de uma tabela de dimensão 
detalhada com milhões de linhas e com atributos. 
frequentemente atualizados. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional7) Gravar nomes de relatórios e valores de domínios de 
filtros em tabelas dimensão. 
 
 Os códigos, 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 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
7) Gravar nomes de relatórios e valores de domínios de 
filtros em tabelas dimensão. (cont...) 
 
 Embora tenhamos dito na Regra 5 que as chaves 
estrangeiras de tabelas fato nunca devem 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. 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
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) provém um grande número de 
benefícios operacionais; chaves menores significam menores 
tabelas fato, menores índices, e desempenho melhorado. 
 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
8) Tenha certeza de que as tabelas dimensão usam uma 
chave artificial. (cont.) 
 
 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 os 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. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
8) Tenha certeza de que as tabelas dimensão usam uma 
chave artificial. (cont...) 
 
As chaves artificiais também permitem mapear múltiplas 
chaves transacionais para um único perfil, adicionalmente 
protegendo contra atividades operacionais inesperadas, como a 
reutilização de um código de produto obsoleto ou a aquisição de 
uma outra empresa com suas próprias regras de codificação. 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
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 empresarial, trazem atributos 
descritivos consistentes para os modelos dimensionais e 
permitem a habilidade de navegar através dos dados integrados 
de diferentes processos de negócios. 
 Gerenciadas na hora da carga dos dados na base analítica e 
então reutilizadas associadas a diversas tabelas Fato. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
9) Crie dimensões padronizadas para integrar os dados na 
empresa. (cont...) 
 
 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 diminui o tempo 
de desenvolvimento eliminando o desenho redundante; 
entretanto, dimensões padronizadas requerem um compromisso 
e investimento em administração de dados e governança. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Regras da Modelagem Multidimensional 
10) Avalie requisitos e realidade continuamente para 
desenvolver uma solução de 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 do 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. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Gerenciando as questões no processo de Modelagem 
 O time central de projeto deve rever cada questão/assunto em 
aberto e determinar o que precisa ser feito para resolvê-la. 
 Solicitar ajuda do gerente de projeto sempre que necessário. 
 .. Tenha certeza de que a gerência entenda o 
 que está em jogo 
 - se o processo de modelagem for atrasado, 
 todo o projeto será atrasado! 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Identificando as Fontes para cada tabela de Fato e 
Dimensão 
Entenda o dado que foi solicitado pelos executivos. 
 -- Isto ajuda a selecionar suas fontes de dados. 
 Fontes de dados formais são suportadas pelos Sistemas 
de Informação. 
 -- Algum rigor é associado com a manutenção e integridade do 
dado. 
 Dados informais vêm diretamente do negócio e é usado no 
processo de tomada de decisão. 
 -- Alguém deve ser responsável por coletar e distribuir a 
informação de modo regular. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Erros que podem afetar a MMD 
  Campo texto em Dimensões e Fatos 
 Os campos de texto aberto (como observações, detalhes 
e etc) podem onerar a construção da base analítica. 
 Ocupam grande espaço de armazenamento na base 
consolidada. 
 
 Por isso, devemos evitar ao máximo a inclusão desses 
 dados, questionando sempre sua necessidade quando 
 for solicitado. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Erros que podem afetar a MMD 
 Utilização de chaves operacionais para junção de 
Dimensões e Fatos 
 Não podemos utilizar chaves das tabelas operacionais para 
 junções entre Dimensões e Fatos. 
 Devemos utilizar as chaves artificiais ou substitutas, 
 pois só assim é possível tratar dados históricos nas 
 tabelas de Fatos e o versionamento (modificações) 
 dos dados nas Dimensões. 
 
Sem as chaves substitutas esse artifício é inviabilizado. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Erros que podem afetar a MMD 
 Não manter a conformidade entre Dimensões e Fatos 
 
Um grande problema é a falta de conformidade entre dados, 
causando retrabalho e falta de padronização nas informações 
apresentadas. 
 
 Por isso, devemos sempre elaborar a modelagem tendo em 
vista a reutilização dos objetos, para que o projeto tenha 
eficácia e consistência. 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Erros que podem afetar a MMD 
  Negligenciar o versionamento (alterações) dos dados nas 
Dimensões 
 Não podemos subestimar a necessidade de armazenar as 
mudanças dos campos (atributos) das Dimensões. 
 Considerar todas as possibilidades – incluindo a mudança 
de desejo do usuário – e elaborar a modelagem de forma 
que suporte futuras alterações, com o menor impactopossível. 
 
PROJETO E IMPLEMENTAÇÃO DE DATAWAREHOUSE 
 
 
 
 
 
 
 
 
 
 
 
Erros que podem afetar a MMD 
 
 Priorizar o tipo de modelagem snowflake ao invés do 
star schema 
 O modelo estrela deve ser sempre priorizado. Esse tipo de 
modelagem possui maior intuitividade e melhor desempenho 
nas consultas que serão executadas. 
 
 Por isso, devemos evitar ao máximo o modelo floco 
 de neve e utilizá-lo apenas nas exceções onde o star 
 schema (estrela) não pode ser aplicado.