Baixe o app para aproveitar ainda mais
Prévia do material em texto
Definição de um modelo de Business Intelligence para integração ao ERP Leonardo Gregianin1, Josiel Maimone Figueiredo1 1 Instituto de Computação – Universidade Federal de Mato Grosso (UFMT) Campus Cuiabá – MT – Brasil {leonardogregianin@gmail.com, josiel@ic.ufmt.br} Abstract. This study aims to model and integrate a Business Intelligence environment into a commercial ERP. Starting with the theoretical fra- mework on the concepts involved, defining the Data Warehouse architecture, OLAP data modeling, ETL process, building the Data Marts and resulting in the construction of the dashboards describing the methodology adopted and the main results for a better decision-making of the managers who use the ERP in the day-to-day. Resumo. Este estudo tem o objetivo de modelar e integrar um ambiente de Business Intelligence a um ERP empresarial. Iniciando com o referen- cial teórico sobre os conceitos envolvidos, definindo a arquitetura do Data Warehouse, modelagem OLAP dos dados, passando pelo processo de ETL, construção dos Data Marts e resultando na construção dos dashboards des- crevendo a metodologia adotada e os principais resultados para uma melhor tomada de decisão dos gestores que utilizam o ERP no dia-a-dia. Palavras-chave: Business Intelligence. Data Warehouse. Modelagem OLAP. Integração com ERP. 1. Introdução A sociedade da informação foi um termo cunhado em 1933 pelo economista Fritz Machlup e nunca esteve tão atual. A quantidade de dados armazenados pelas empresas e produzidos pelas pes- soas ao redor do mundo é uma enormidade. O uso de servidores extremamente potentes e o baixo custo com o uso das nuvens em conjunto com técnicas de se- gurança também são constantes para preservar algo de suma importância para as empresas: a informação. Contudo, a realidade de muitas das empresas hoje são grandes armazéns de dados isolados que não geram a informação essencial para a empresa crescer, gerenciar as informações para tomar decisões oportunas, responder às mudanças nas condições do negócio e principalmente inovar. Desenvolver a habilidade de transformar grandes volumes de dados em infor- mações relevantes para que as empresas gerem vantagens competitivas é o objetivo deste estudo, ou seja, modelar e integrar um ambiente de Business Intelligence a um ERP empresarial. Iniciando com o referencial teórico sobre os conceitos envolvidos, definindo a arquitetura do Data Warehouse, modelagem OLAP dos dados, passando pelo pro- cesso de ETL, construção dos Data Marts a fim de que utilizando-se do modelo descrito pode-se utilizar qualquer das ferramentas gráficas disponíveis no mercado, a exemplo do Pentaho Data Visualization, Microsoft Power BI, Qlik Sense e Ta- bleau para o resultando final na construção dos dashboards para a visualização das informações para os utilizadores do software ERP. 2. Revisão da literatura 2.1. Trabalhos correlatos Esta seção se dedica a breve apresentação de trabalhos relacionados ao as- sunto deste trabalho de conclusão do curso de Especialização em Banco de Dados. Em [Lima and Boscarioli 2012] os autores analisaram os indicadores de de- sempenho de uma base de dados de uma empresa de agronegócio a fim de melhorar a geração dos indicadores de desempenho utilizando Business Intelligence. Foram utilizados os sistemas de informações gerenciais da própria empresa para as aná- lises como indicadores financeiros e não financeiros. As tecnologias envolvidas no projeto de Business Intelligence foram Data Warehouse (DW) e Data Mart, Online Analytical Processing (OLAP) e Data Mining (DM). O tipo de análise que foi feito nos dados foi o OLAP e realizada em três fases: modelagem do repositório analítico (Data Marts), configuração da camada de ETL (Extração, Transformação e Carga) e elaboração das telas de visualização de gráficos e dashboards. Foram utilizados os seguintes campos para a composição dos indicadores: valor total da movimentação, valor do custo do produto, tipo de movimentação (venda e devolução) e valor da comissão. Foram definidas as dimensões cliente, vendedor, filial, produto, movimen- tação e tempo no Data Mart, como essenciais à análise. Como resultados obtidos com o estudo foram implementadas no ERP da empresa, com painéis de indicado- res, dashboards e relatórios, para o aprimoramento do seu gerenciamento e melhor e mais rápida tomada de decisão. A implantação de um sistema de BI ajuda a solucionar muitos problemas encontrados nas empresas relacionados à qualidade de informações e relatórios. As dificuldades de acesso às fontes de dados heterogêneas e a independência das origens, são facilmente resolvidas com a integração proposta pela ferramenta. Em [Andrade and Cruz 2015] os autores fizeram a análise e exploração dos dados aberto sobre transporte público do município do Rio de Janeiro para apre- sentar ao usuário daquele município informações em tempo real sobre o transporte público e o trânsito da cidade. Foi feita uma modelagem não relacional dos dados utilizado dados abertos disponíveis no site da prefeitura do Rio de Janeiro e a abor- dagem ETL para extração, limpeza e consolidação dos dados e carga dos dados. Foi realizada a análise dos dados através dos datasets CSV e JSON obtidos através de um webcrawler e gravando os dados em banco de dados MongoDB e Apache Cas- sandra. A estrutura dos dados resultantes foram gravados em uma única tabela das linhas de ônibus do município. O resultado do trabalho foi a entrega de um aplica- tivo disponível para todos os usuários do serviço público com possibilidade de definir rotas para o destino e conhecer a localização da condução em tempo real, conhecer 2 informações sobre o trânsito na cidade de forma a impactar a escolha do usuário na hora de escolher qual melhor condução tomar. A abordagem ETL mostrou-se ade- quada para o tratamento dos dados abertos, o banco de dados de armazenamento utilizado foi o MongoDB que se mostrou muito superior na velocidade de resposta das consultas, especialmente considerando o volume dos dados obtidos. Em [Martins 2016] o autor se propôs a construir Data Marts das informações referentes às receitas e despesas dos governos estaduais e municipais disponibilizados pelo Portal da Transparência. A finalidade do estudo é melhorar a legibilidade e o entendimento sobre as informações disponibilizadas pelos órgãos públicos para que qualquer cidadão possa compreender de forma clara e entendível todos os gastos públicos. Foram utilizados Data Warehouse e Descoberta de Conhecimento em Banco de Dados (Knowledge Discovery in Database) após a definição do tipo de conhecimento a descobrir, seleção, pré-processamento e transformação. Foi utilizado a análise OLAP para construir os cubos necessários (Estado, Município e Tempo). Com o estudo realizado, o autor construiu um website para publicar os resultados do Data Mart contendo gráficos de fácil entendimento sobre os gastos públicos. O objetivo do trabalho foi de extrair informações acerca das despesas e receitas dos estados e municípios brasileiros utilizando técnicas de extração de conhecimento, além de permitir a visualização das informações de maneira compreensível a qualquer cidadão, por meio de gráficos. Em [Veiga 2016] o autor se propôs a utilizar técnicas de Business Intelligence na análise de Dados Abertos Governamentais a fim de construir uma aplicação de BI, com ETL, banco de dados relacional e modelagem dimensional através de cubos OLAP (On Line Analytical Processing) para demonstrar a viabilidade do uso das técnicas no auxílio ao entendimento dos Dados Abertos Governamentais e fornecer uma compreensão simples pelo cidadão comum. O resultado do trabalho foi atingido por completo, com gráficos simples de serem observados por qualquer cidadão. Foi possível visualizar de maneira amigável e compreensível informações que estimularão o senso crítico da sociedade perante as campanhas eleitorais. 2.2. ERP O Enterprise Resource Planning (ERP, em português, Sistema de Gestão Empresarial) surgiu nos anos de 1970 com a evolução das técnicasde Manufacturing Resources Planning (MRP, em português, Planejamento dos Recursos de Manufa- tura) e MRPII, essas técnicas foram utilizadas inicialmente pelas indústrias para planejamento de produção e controle de materiais. O MRP foi uma iteração inicial da visão integrada dos sistemas de infor- mação e se preocupavam somente com a gerência dos materiais e por conseguinte vieram as técnicas do MRPII, onde se preocupavam com a integração de todos os aspectos do processo de fabricação, incluindo materiais, finanças e relações humanas [MONK and WAGNER 2006]. Conforme [TURBAN 2010] essa integração que resultou no ERP que conhe- cemos hoje pode ser vista sob a perspectiva funcional com sistemas de finanças, contabilidade, recursos humanos, fabricação, marketing, vendas e compras e sob a perspectiva sistêmica com os sistemas de processamento de transações, sistemas de 3 informações gerenciais, sistemas de apoio a decisão. [LAUDON 2004] cita diversas vantagens trazidas pelo ERP como: agilidade empresarial no tratamento de informações, redução dos custos operacionais, otimi- zação do fluxo das informações entre diversos departamentos da organização, elimi- nação da redundância de atividades operacionais, redução de controles manuais e melhor qualidade no tratamento das informações e dentre outras, todas elas para uma eficiente tomada de decisão dos gestores. 2.3. Business Intelligence Business Intelligence (BI, em português, Inteligência dos Negócios) compre- ende as estratégias e tecnologias utilizadas pelas empresas para a análise de dados de informações comerciais[RUD 2009]. As tecnologias de BI fornecem visões históricas, atuais e preditivas das ope- rações comerciais e podem lidar com grandes quantidades de dados estruturados e às vezes desestruturados para ajudar a identificar, desenvolver e, de outra forma, criar novas oportunidades de negócios estratégicos. As funções comuns das tecnologias da Inteligência dos Negócios incluem re- latórios, processamento analítico online, análise, mineração de dados, mineração de processos, processamento de eventos complexos, gerenciamento de desempenho de negócios, benchmarking, mineração de texto, análise preditiva e análise prescritiva. Para se chegar ao resultado esperado pelo BI é necessário realizar o procedi- mento do ETL, Extract, Transform, Load, ou seja, Extrair, Transformar e Carregar dados, refere-se a extração de dados de fontes homogêneas ou heterogêneas, internas ou externas a organização, a transformação dos dados para armazenar no formato ou estrutura adequada para fins de consulta e análise e o carregamento dos dados no banco de dados final, mais especificamente, um Datastore, Datamart ou Data Warehouse. Para se completar com sucesso o processo de ETL é necessário eliminar pro- blemas operacionais como a inconsistência de dados entre fontes de dados com dife- rentes formatos e propósitos e gerenciar as especificações das regras na transformação desses dados para reunir todos os dados em um ambiente padrão e homogêneo. A análise de projeto deve estabelecer a escalabilidade durante todo o uso do ETL, suas atualizações e levando em consideração os volumes de dados que devem ser processados. O Data warehouse pode ser traduzido como "Armazém de dados", ou seja, é a integração de todos os conjuntos de dados, sendo eles internos ou externos à organização, desde o início da sua geração operacional, o processamento de limpeza, transformação e carregamento (ETL) até a geração de gráficos e relatórios para a tomada de decisão. De uma forma prática podemos dividir o Data warehouse em etapas, por exemplo, a origem dos dados (1) provenientes dos sistemas operacionais ou das di- versas áreas da empresa, como os departamentos de marketing, operacional, vendas, almoxarifado ou dados externos à organização, após o procedimento de ETL das 4 Figura 1. Arquitetura do Data Warehouse informações temos a camada de integração dos dados (2) onde há a transformação e interligação entre todas as fontes de informações da organização gerando assim uma única fonte de dados ou dicionário de dados para futura mineração de dados, processamento analítico on-line, pesquisa de mercado ou suporte a decisões onde visualizamos os Datamarts (3) para os usuários conforme representado na figura 1. Algumas das características das informações do Datawarehouse são: Ori- entados a assunto, ou seja, devem ser relativos aos temas de negócio de maior interesse da corporação. Dados integrados obtidos dos provedores de informação tratados e corrigidos para eliminar possíveis inconsistências. O conteúdo do Datawa- rehouse deve ser não volátil, ou seja, permanecendo estável por longos períodos de tempo e devem ser dados históricos relevantes a algum período de tempo. Uma das etapas finais do BI é Online Analytical Processing (OLAP, em por- tuguês, Processamento Analítico Online) foi introduzido em 1993 por Edgar Codd para definir a categoria de processamento analítico sobre um banco de dados histó- rico permitindo aos usuários analisar dados multidimensionais de forma interativa a partir de múltiplas perspectivas voltado para os processos de gerência e tomada de decisão. O OLAP é utilizado pelas organizações para integrar, analisar e disponibi- lizar informações gerenciais com alta flexibilidade e performance contidas nos mais diversos sistemas e aplicações disponíveis nas organizações. O modelo dos dados organizados pelo OLAP são conceitualmente chama- dos de cubo multidimensional e armazenam valores quantitativos ou medidas e as dimensões armazenam os valores históricos, de visão do negócio, por exemplo: os clientes, produtos ou vendas. O Datamart também é uma camada final do Data warehouse, utilizada para que o usuário final, o gerente de departamento ou os diretores e presidente da orga- nização tenha uma visão geral do que se está gerenciando. 5 As organizações criam Data Warehouses e Datamarts porque as informações no banco de dados não estão organizadas de forma a torná-lo facilmente acessível, exigindo consultas que são muito complicadas ou que consomem muitos recursos, por isso, os Data Warehouses e Datamarts são somente para leitura dos dados, ou seja, sem alterações ou inclusões de informação, simplesmente para visualização. 3. Metodologia 3.1. Tipo da pesquisa Esta pesquisa tem o objetivo de evidenciar dois tipos de pesquisas: A pesquisa exploratória envolve o levantamento bibliográfico e entrevistas com pessoas que têm experiências práticas com o problema pesquisado e análise de exemplos que estimulem a compreensão. Possui a finalidade básica de desenvolver, esclarecer e modificar conceitos e ideias para a formulação de abordagens posteriores. A pesquisa descritiva tem por premissa buscar a resolução de problemas melhorando as práticas por meio da observação, análise e descrições objetivas para a padronização de técnicas e validação de conteúdo [GIL 2008]. 3.2. Estudo de caso A empresa escolhida para o estudo de caso é a software house Intelecto Siste- mas, sediada em Cuiabá, Mato Grosso, Brasil. A empresa ocupa posição de destaque regional no fornecimento de soluções de software ERP para os setores de varejo, in- dustrial e do agronegócio. O ERP desenvolvido pela empresa Intelecto Sistemas conta com módulos de faturamento e vendas, compras e estoque, controle bancário, controle de caixa, con- tas à pagar, contas à receber, assistência técnica, gestão agrícola, gestão imobiliária, controle de ponto eletrônico e folha de pagamento. Módulos estes integrados ao controle fiscal, contábil e patrimonial [INTELECTO ]. A fim de melhorar o desempenho do software quanto a sistemática de obten- ção de informações gerenciais relevantes e o fornecimento de respostas rápidas às questões complexas inerentes à tomada de decisão no negócio, foi então detectada a necessidade de uma ferramenta tecnológica como o Business Intelligence a ser integrada ao software ERP. 4. Desenvolvimento Esta seção se dedica a apresentação dos princípios práticos envolvidos no desenvolvimentodeste trabalho de conclusão do curso. 4.1. A modelagem dos dados O modelo entidade-relacionamento demonstrado a seguir descreve as entida- des e associações entre os procedimentos de um ERP no que tange a compras e a vendas das mercadorias. No modelo apresentado na figura 2 observa-se os produtos, armazenados na tabela TBESTPRODUTO com seus relacionamentos às tabelas auxiliares como 6 Figura 2. Modelo entidade-relacionamento dos módulos de Estoque e Vendas Grupo e Marca. Os produtos vendidos e comprados estão relacionados as tabelas TBV ENITENSPEDIDO e TBESTITENSENTRADA, respectivamente. As vendas são definidas pela tabela TBV ENPEDIDO e as compras são definidas pela tabela TBESTENTRADA, as duas relacionadas aos produtos ven- didos e comprados. Do mesmo modo, há auxiliares definidos paras as vendas como por exem- plo: o vendedor ou comissionado TBESTCOMISSIONADO, a forma de pa- gamento das vendas: TBV ENPEDIDOPARCELA. As compras estão relacio- nadas ao prazo da compra, ou seja, a forma de pagamento da compra na tabela TBESTPRAZOCOMPRA. Neste passo, as compras e vendas também estão associadas a entidade Na- tureza da Operação chamada TBESTNATUREZA, onde se define qual o tipo do documento fiscal vinculado à compra ou a venda. Os clientes e fornecedores estão na entidade TBUNICLIFOR e especializa- 7 dos entre pessoa física TBUNIPFISICA e pessoa jurídica TBUNIPJURIDICA e por conseguinte estão associadas as compras e vendas de produtos e associadas a tabela de cidades TBUNICIDADE. Figura 3. Modelo entidade-relacionamento do módulo Financeiro O modelo entidade-relacionamento demonstrado na figura 3 descreve as en- tidades e as associações entre os procedimentos de um ERP no que envolve o finan- ceiro da empresa, mais especificamente o controle das contas à receber advindas das vendas analisadas no Diagrama Entidade-Relacionamento visto acima. Como vimos acima, as vendas realizadas pelo ERP são controladas pela en- tidade TBV ENPEDIDO e ao registrar à venda com a sua forma de pagamento na entidade TBV ENPEDIDOPARCELA são geradas para o controle do contas à receber um documento associada à venda. A entidade responsável por armazenar os documentos do contas à rece- ber é a TBRECDOCUMENTO, que por sua vez se relaciona com a venda (TBV ENPEDIDO), com o cliente (TBUNICLIFOR), especializados entre pes- soa física TBUNIPFISICA e pessoa jurídica TBUNIPJURIDICA, e por con- seguinte, com o pagamento daquele documento na entidade TBRECBAIXA, onde se observa o valor pago, a data do pagamento e os valores de desconto, juros ou multa recebidos. 4.2. A modelagem dos Cubos do Data Warehouse A modelagem dos cubos de compras e vendas de mercadorias, das devoluções das vendas e os clientes inadimplentes visa estruturar os dados em cubos OLAP 8 para superar as limitações dos bancos de dados relacionais quanto a sua rapidez de pesquisa e análise das informações. Os cubos podem exibir e agregar grandes quantidades de dados enquanto fornecem aos usuários acesso a quaisquer pontos de dados, personalizando a neces- sidade do usuário do software conforme seus interesses dentro da organização. Figura 4. Cubo compartilhado O cubo compartilhado observado na figura 4 contem dimensões produtos, fornecedor, cliente, forma de recebimento, tempo e local e as tabelas fato são o nosso objeto de estudo, os cubos compras e vendas de mercadorias, as devoluções das vendas e os clientes inadimplentes. A granularidade do produto está distribuída por descrição, marca e grupo (categorias) enquanto o cliente está granulado entre gênero, masculino e feminino e por faixa etária. As medidas estudadas para cada tabela fato podem ser distribuídas em quan- tidade de itens, valor do produto e preço médio para a tabela fato compras; a quan- tidade de itens, valor da devolução, valor médio e a quantidade de dias entre a venda feita e a devolução para a tabela fato devolução; valor da dívida e a quantidade de dias de inadimplência para a tabela fato clientes inadimplentes; e, quantidade, valor total e preço médio para a tabela fato vendas. 9 As tabelas fato local e tempo estão propositalmente repetidas para melhor visualização do modelo do cubo compartilhado. 4.3. O procedimento do ETL Em um primeiro momento, a extração das informações do banco de dados original foram realizadas com comandos SQL utilizando a ferramenta open-source Pentaho Data Integration. A suíte de ferramentas denominada Pentaho são softwares de código-fonte aberto e multiplataforma desenvolvidas pela Hitachi Data Systems a fim de au- xiliarem a implementação de soluções para o ETL, Mineração de dados, OLAP, Relatórios e Dashboards para a inteligência dos negócios empresariais. Para cada dimensão e tabelas fato descrito na figura 4, é extraídas as infor- mações do banco de dados em produção, feita as transformações necessárias para limpeza e homogeneização das informações e, posteriormente, o carregamento dos dados em uma banco de dados exclusivo para a análise do Business Intelligence. 4.4. Construção dos Dashboards A intenção deste trabalho é a criação de um modelo de Business Intelli- gence desde a sua implementação para modelagem conceitual e lógica, o diagrama entidade-relacionamento, os cubos OLAP e o procedimento de ETL das informações a fim de que qualquer ferramenta de BI disponível no mercado possa receber os da- dos e gerar os dashboards e o data warehouse para a apresentação para a empresa que utiliza o ERP. 4.4.1. Dashboards das compras O dashboard das compras de mercadorias tem a intenção de responder, por exemplo, as seguintes perguntas: • Quais os fornecedores que a empresa mais compra e quais os produtos? • Quais os produtos mais comprados, por valor da compra, preço médio e quantidade? • De quais Estados do Brasil estão sendo comprados os produtos da empresa e qual o preço médio de compra por produto? • O valor do KPI (Key Performance Indicator, em português, Indicadores- Chave de Desempenho) por produto está dentro da meta estipula? A figura 5 é um exemplo do dashboard de compras utilizando-se das imple- mentações feitas neste trabalho gerando indicadores de desempenho como o valor total das compras por fornecedores, quantidade de compras por categorias de produ- tos e indicadores de KPI (Key Performance Indicator, em português, Indicadores- Chave de Desempenho) para medir se as compras estão dentro de uma meta pré definida. 10 Figura 5. Exemplo do dashboard de Compras 4.4.2. Dashboards das devoluções das vendas Dentro de uma organização, as devoluções dos produtos tem um grande custo tanto operacional como financeiro, pois além do lucro da empresa diminuir com a devolução de determinado produto, há o custo operacional de um vendedor em realizar um novo atendimento e realizar o procedimento fiscal daquela devolução enquanto poderia vender outros produtos à novos clientes. O dashboard das devoluções das vendas tem a intenção de responder, por exemplo, as seguintes perguntas: • Qual a porcentagem de produtos devolvidos em relação a quantidade de ven- das totais? • Quais os produtos que são mais devolvidos e de quais fornecedores? • Qual o tempo médio entre a venda e a devolução por produtos? • Quais cidades e Estados os produtos são devolvidos? • Com base nas perguntas anteriores, quais as maneiras de diminuir as devo- luções? Na figura 6 é demonstrado o gráfico de barras compostas com os produtos com mais devoluções utilizando das medidas quantidade dos produtos devolvidos e a média de dias de devoluções. As dimensões utilizadas foram os produtos, o tempo, local e os clientes com a granularidade de tipo do cliente, entre masculino e feminino. Como resultado, observamos que dos dez produtos mais devolvidos por cliente do sexo feminino, o produto mais devolvido é chamado de "camiseta masculina gola V", com a média de dias entre a compra e a devolução é de 6,77 dias. Diante disso, tendo a premissa que o produto chamado "camiseta masculina gola V"é um produto para utilização exclusiva por homens, concluímos que asmu- lheres que compram esses produtos há uma probabilidade de serem devolvidos e a 11 Figura 6. Exemplo do dashboard das devoluções das vendas empresa pode, por exemplo, direcionar vendedores homens para vender esse tipo de produto às clientes mulheres e com isso diminuir as devoluções e custos. 4.4.3. Dashboards dos clientes inadimplentes Clientes inadimplentes trazem um grande prejuízo às organizações, ou seja, os clientes que compraram mercadorias na empresa e não pagaram até a data de vencimento do boleto ou duplicata. O dashboard dos clientes inadimplentes tem a intenção de responder, por exemplo, as seguintes perguntas: • Quais os maiores clientes inadimplentes e qual a faixa etária? • Qual a porcentagem de clientes inadimplentes em relação a todos os clientes da empresa? • Qual o tempo médio de atraso dos documentos? • Quais cidades e Estados são os clientes inadimplentes? 4.4.4. Dashboards das vendas O dashboard das vendas reflete o faturamento e o lucro da empresa e tem a intenção de responder, por exemplo, as seguintes perguntas: • Quais os produtos que mais são vendidos, por marca e período do ano? • Qual o preço médio por produto de venda? • De quais as cidades são seus clientes? • Qual o faturamento por dia, mês, ano por tipo de pagamento? Na figura 7 observamos um dashboard com o gráfico Treemap das vendas dos produtos mais vendidos. E um gráfico de barras com o valor total das vendas por cidades, uma vez que a base de dados objeto deste trabalho é fictícia de uma empresa sediada em Cuiabá em Mato Grosso, as vendas estão localizadas principalmente na mesma cidade, porém observa-se que há uma grande quantidade de vendas para clientes residentes em Curvelândia, Mato Grosso. Diante disso, o gestor poderá tomar decisões como, por exemplo, descolar vendedores externos para a cidade de Curvelândia ou abrir uma nova filial na cidade para alavancar as vendas. 12 Figura 7. Exemplo do dashboard de vendas 5. Conclusão Observando os dados históricos utilizamos a modelagem dos dados relacionais e a criação do modelo de Business Intelligence para gerar informações relevantes de como o negócio da empresa caminhou, quais os índices de performance, quais os produtos que mais venderam em determinado período do ano que devem ser mais comprados nos próximos anos dentre outras análises. Utilizando-se do modelo descrito neste trabalho pode-se utilizar qualquer das ferramentas gráficas disponíveis no mercado para a implementação dos dashboards. As ferramentas gráficas que foram testadas com os dados gerados por este traba- lho foram: Pentaho Data Visualization, Microsoft Power BI, Qlik Sense e Tableau, tendo, todas elas, diferenças funcionais mínimas mas todas tratando os dados e resultando em dashboards semelhantes. Como resultados práticos vimos a implantação deste modelo no software ERP agregando ainda mais valor ao produto e a disponibilização da ferramenta para os clientes. Além dos dashboards apresentados neste trabalho, também há a possibili- dade de próprio cliente adaptá-los a sua necessidade utilizando da ferramenta gráfica de sua preferência pode-se movimentar as dimensões e medidas do cubo à fim de apresentar as informações que o utilizador do software necessita. Diante da experiência adquirida e visando expandir ainda mais as possibili- dades de análise e ganhos para os negócios, tem-se a possibilidade de implementar novas dimensões ao cubo compartilhado e a automatização dos procedimentos de ETL e disponibilização dos dashboards aos clientes onde se tem como sugestão para trabalhos futuros. Referências Andrade, L. S. and Cruz, S. M. S. d. (2015). Businrio: Explorando dados abertos de transporte público do município do rio de janeiro. GIL, A. C. (2008). Como elaborar projetos de pesquisa. Atlas, São Paulo-Brasil, 4 edition. 13 INTELECTO, S. Intelecto sistemas (http://www.intelecto.com.br). [Online; acces- sed setembro-2017]. LAUDON, K. C. (2004). Sistemas de informações gerenciais: Administrando a empresa digital. Prentice Hall, São Paulo-Brasil, 1 edition. Lima, V. M. d. and Boscarioli, C. (2012). Uso de ferramentas de bi na análise de desempenho de uma empresa de agronegócio. Martins, A. L. O. (2016). Análise de dados abertos de despesas e receitas dos estados e municípios brasileiros utilizando data mart. MONK, E. and WAGNER, B. (2006). Concepts in Enterprise Resource Planning. Thomson Course Technology, Canada, 2 edition. RUD, O. P. (2009). Business Intelligence Success Factors: Tools for Aligning Your Business in the Global Economy. Wiley, New York, USA, 1 edition. TURBAN, E. (2010). Tecnologia da Informação para Gestão: Em Busca de um Me- lhor Desempenho Estratégico pila grande e Operacional. Bookman, Porto Alegre- RS-Brasil, 7 edition. Veiga, Jéssica Câmara de Almeida e Guimarães, J. C. B. (2016). Análise de dados abertos governamentais usando técnicas de business intelligence: um estudo de caso das eleições 2014. 14
Compartilhar