business_intelligence_bi

Prévia do material em texto

Brasília-DF. 
Business intelligence – Bi
Elaboração
João Carlos Lopes Fernandes
Produção
Equipe Técnica de Avaliação, Revisão Linguística e Editoração
Sumário
APRESENTAÇÃO .................................................................................................................................. 4
ORGANIZAÇÃO DO CADERNO DE ESTUDOS E PESQUISA ..................................................................... 5
INTRODUÇÃO ..................................................................................................................................... 7
UNIDADE I
APLICAÇÃO DO BI ............................................................................................................................... 9
CAPÍTULO 1
DEFINIÇÕES DE BI ................................................................................................................... 9
CAPÍTULO 2
COMO INICIAR UM PROJETO DE BI ........................................................................................ 12
CAPÍTULO 3
DATA MARTS ......................................................................................................................... 35
UNIDADE II
INTELIGÊNCIA CORPORATIVA .............................................................................................................. 45
CAPÍTULO 1
OPEN SOURCE BI .................................................................................................................. 45
CAPÍTULO 2
BI PARA DADOS ESTRUTURADOS, SEMIESTRUTURADOS E NÃO ESTRUTURADOS ............................ 48
CAPÍTULO 3
DEZ PASSOS PARA A IMPLANTAÇÃO DE PROJETOS DE BUSINESS INTELLIGENCE COM 
SUCESSO ............................................................................................................... 53
PARA (NÃO) FINALIZAR ...................................................................................................................... 57
REFERÊNCIAS .................................................................................................................................... 58
4
Apresentação
Caro aluno
A proposta editorial deste Caderno de Estudos e Pesquisa reúne elementos que se entendem 
necessários para o desenvolvimento do estudo com segurança e qualidade. Caracteriza-se pela 
atualidade, dinâmica e pertinência de seu conteúdo, bem como pela interatividade e modernidade 
de sua estrutura formal, adequadas à metodologia da Educação a Distância – EaD.
Pretende-se, com este material, levá-lo à reflexão e à compreensão da pluralidade dos conhecimentos 
a serem oferecidos, possibilitando-lhe ampliar conceitos específicos da área e atuar de forma 
competente e conscienciosa, como convém ao profissional que busca a formação continuada para 
vencer os desafios que a evolução científico-tecnológica impõe ao mundo contemporâneo.
Elaborou-se a presente publicação com a intenção de torná-la subsídio valioso, de modo a facilitar 
sua caminhada na trajetória a ser percorrida tanto na vida pessoal quanto na profissional. Utilize-a 
como instrumento para seu sucesso na carreira.
Conselho Editorial
5
Organização do Caderno 
de Estudos e Pesquisa
Para facilitar seu estudo, os conteúdos são organizados em unidades, subdivididas em capítulos, de 
forma didática, objetiva e coerente. Eles serão abordados por meio de textos básicos, com questões 
para reflexão, entre outros recursos editoriais que visam a tornar sua leitura mais agradável. Ao 
final, serão indicadas, também, fontes de consulta, para aprofundar os estudos com leituras e 
pesquisas complementares.
A seguir, uma breve descrição dos ícones utilizados na organização dos Cadernos de Estudos 
e Pesquisa.
Provocação
Textos que buscam instigar o aluno a refletir sobre determinado assunto antes 
mesmo de iniciar sua leitura ou após algum trecho pertinente para o autor 
conteudista.
Para refletir
Questões inseridas no decorrer do estudo a fim de que o aluno faça uma pausa e reflita 
sobre o conteúdo estudado ou temas que o ajudem em seu raciocínio. É importante 
que ele verifique seus conhecimentos, suas experiências e seus sentimentos. As 
reflexões são o ponto de partida para a construção de suas conclusões.
Sugestão de estudo complementar
Sugestões de leituras adicionais, filmes e sites para aprofundamento do estudo, 
discussões em fóruns ou encontros presenciais quando for o caso.
Praticando
Sugestão de atividades, no decorrer das leituras, com o objetivo didático de fortalecer 
o processo de aprendizagem do aluno.
Atenção
Chamadas para alertar detalhes/tópicos importantes que contribuam para a 
síntese/conclusão do assunto abordado.
6
Saiba mais
Informações complementares para elucidar a construção das sínteses/conclusões 
sobre o assunto abordado.
Sintetizando
Trecho que busca resumir informações relevantes do conteúdo, facilitando o 
entendimento pelo aluno sobre trechos mais complexos.
Exercício de fixação
Atividades que buscam reforçar a assimilação e fixação dos períodos que o autor/
conteudista achar mais relevante em relação a aprendizagem de seu módulo (não 
há registro de menção).
Avaliação Final
Questionário com 10 questões objetivas, baseadas nos objetivos do curso, 
que visam verificar a aprendizagem do curso (há registro de menção). É a única 
atividade do curso que vale nota, ou seja, é a atividade que o aluno fará para saber 
se pode ou não receber a certificação.
Para (não) finalizar
Texto integrador, ao final do módulo, que motiva o aluno a continuar a aprendizagem 
ou estimula ponderações complementares sobre o módulo estudado.
7
Introdução
Os softwares de Business Intelligence (BI) surgiram nas décadas de 1970 e 1980 para suprir a 
necessidade de se obter informações rápidas e precisas que pudessem de forma antecipada apoiar 
os executivos em suas decisões. Ele surgiu em forma de aplicações na linguagem COBOL e relatórios 
do tipo texto, e atualmente evoluiu para complexas ferramentas e plataformas. Atualmente existem 
inúmeras ferramentas para se desenhar os relatórios e apoiar os processamentos analíticos de forma 
on-line (OLAP).
As plataformas de BI combinam ferramentas de banco de dados com portais e tecnologias de 
integração que proporcionam aplicações bem sofisticadas. A linguagem de programação COBOL 
exigia o envolvimento de vários profissionais de Tecnologia da Informação (TI) e meses para gerar 
simples relatórios, as soluções atuais já são concebidas para os utilizadores comuns das empresas, 
ou seja, não é necessário o profundo conhecimento em TI para utiliza-las. Elas são capazes de gerar 
relatórios em tempo real e com isso auxiliar as decisões empresariais. 
O BI possui um grande potencial, ele permite um acesso rápido às informações que são utilizadas na 
tomada de decisões empresariais. No entanto, como acontece com qualquer outro tipo de tecnologia, 
seu sucesso depende muito da perfeita implementação e de uma boa parametrização que esteja 
relacionada ao negócio de cada empresa.
Com tantas vantagens oferecidas pelo BI, porque será que muitas empresas ainda sentem-se 
desamparadas no quesito: acesso à informação e geração de relatórios para tomada de decisão?
Objetivos
 » Promover a disseminação da utilização do BI e sua perfeita instalação e 
parametrização.
 » Analisar os tipos de sistemas que podem se integrar a uma solução de BI.
 » Compreender e analisar os tipos de relatórios utilizados no apoio à decisão.
9
UNIDADE IAPLICAÇÃO DO BI
CAPÍTULO 1
Definições de BI
O conceito de Business Intelligence (BI)
Antes do advento da automatização, as informações eram tratadas de forma 
individual e não estruturada e as decisões tomadas utilizavam-se de um elevado 
componente de intuição (experiência profissional). Com os primeiros computadores 
(mainframes, década 1960), iniciaram-se as primeiras tarefas de automatização 
e armazenamento, mas além das baixas velocidades de processamento, havia 
problemas na integração dos dados ou incompatibilidade entre sistemas.Simples 
relatórios gerenciais poderiam demorar semanas ou mesmo até meses para serem 
elaborados.
Um dos principais conceitos disponíveis atualmente, no que diz respeito à gestão empresarial, é o 
BI. Ele é um termo muito utilizado, mas ainda pouco compreendido no mundo dos negócios. 
As suas metas fundamentais são genericamente, recolher dados, transformá-los em informação 
(por meio da descoberta de padrões e tendências) e, sequencialmente transformar informação em 
conhecimento útil e oportuno para a tomada de uma decisão empresarial.
Imagine você estar sentado dentro de uma cabine de um grande jato e em sua frente 
existir um enorme painel de instrumentos com mostradores e indicadores. Este 
painel informa o estado interno do avião, como: velocidade, altitude, combustível, 
pressão do óleo, e assim por diante. Em suas mãos esta à vida de varias pessoas, 
imagine uma sinalização de falha indicada neste painel. O que você vai fazer, qual 
será o tempo para a tomada de decisão?
10
UNIDADE I │ APLICAÇÃO DO BI
O que antecedeu o Business Intelligence?
Decorrente da necessidade da integração entre os sistemas de controle de uma empresa, no final 
do século XX, foram criados os Sistemas Integrados de Gestão (SIG). Eles prometiam aperfeiçoar 
ainda mais os processos empresariais e realizar uma forte integração nos softwares utilizados nas 
empresas, desde o pedido do cliente até o produto final, passando pelo departamento financeiro e 
produção em outros, o produto ou serviço era integrado, ou seja, o produto acabado era devidamente 
entregue ao cliente e os sistemas atualizados em tempo real. Aperfeiçoando-se as ideias surgiram, 
os ERP (Enterprise Resouces Planning) ou Planejamento de Recursos Empresariais, que é uma 
evolução natural dos sistemas integrados. Também chamado de “Pacotes Integrados de Gestão 
Empresarial”, o EPR é um software que abrange toda a cadeia de suprimentos ou suplly chain. Ele é 
um sistema que controla uma empresa de ponta a ponta, da produção às finanças.
Realmente as empresas conseguiram melhorar seus processos com a utilização dos ERPs, mas faltava 
algo que auxiliasse na análise das informações. Informações muito importantes que acabavam 
caindo no esquecimento, armazenadas nos grandes bancos de dados destes sistemas e muitas vezes 
guardadas em backups antigos.
Assim surgiu o Business Intelligence (BI), como uma solução para ordenação e aproveitamento de 
todas as informações geradas por uma empresa, tornando-se uma ferramenta indispensável para 
uma gestão empresarial consciente, com tomadas de decisão voltadas a realidade do negócio e não 
mais apenas pela experiência de seus dirigentes. 
No mercado competitivo atual uma decisão errada pode decretar a falência de uma 
empresa. Decisões baseadas em dados fragmentados obtidos pelos sistemas de 
informações tradicionais não oferecem uma informação consistente, caso não exista 
uma forte integração entre eles.
Quanto mais dispersos os dados na empresa, maior será a chance de um “erro 
humano”, ou seja, na integração de varias bases de dados para geração de um 
relatório alguns dados poderão ser perdidos ou mesmo interpretados de forma 
errada.
Integração de BI com outras tecnologias
ERP (Enterprise Resouces Planning)
Os ERPs são sistemas integrados que se utilizam de um mesmo banco de dados para realizar suas 
transações, facilitando o fluxo das informações, diminuindo o retrabalho (cada departamento digita 
os mesmo dados de um funcionário, por exemplo) e sendo assim, diminuindo o erro da integração 
entre sistemas autônomos. Ele integra os dados e processos de vários departamentos, possibilitando 
a automação e armazenamento de todas as informações do negócio.
11
APLICAÇÃO DO BI │ UNIDADE I
Por meio dele é possível monitorar todas as transações de forma integrada e em tempo real. Com ele 
também ficam bem reduzidas às inserções manuais nos sistemas, produzindo assim uma imediata 
redução de custos com pessoal e redução no tempo de resposta. 
Com a utilização dos ERPs, acaba-se com a complexidade do acompanhamento isolado de cada 
processo, desse modo à empresa consegue mais subsídios e tempo para se planejar. A troca de 
documentos entre departamentos que demorava horas ou mesmo dias, decorrente de múltiplas 
integrações, pode ser realizada em minutos ou até mesmo segundos.
A decisão da instalação de um ERP deve ser acompanhada de um diagnóstico 
técnico sobre as reais necessidades da empresa. Se a empresa pular essa etapa, 
pode acontecer que a escolha do ERP não seja compatível com os negócios da 
empresa, isso levará a gastos excessivos e resultados medíocres. Não é incomum a 
verificação de empresas que ficam anos tentando concluir a implementação desse 
tipo de sistema, simplesmente, por falta do apoio técnico na hora de sua aquisição. 
12
CAPÍTULO 2
Como iniciar um projeto de BI
Data Warehouse (DW)
O que é um data warehouse?
Um data warehouse (DW) ou armazém de dados é um banco de dados que possui algumas 
características específicas, como por exemplo, a manipulação dos dados históricos de uma empresa. 
Os dados de um DW são utilizados na geração dos relatórios para a análise e tomada de decisões nas 
mais diversas situações empresariais atravessadas pelos executivos de uma empresa. 
Os dados contidos em um DW são sumarizados, periódicos e descritivos. Com a sua manipulação 
é possível que os executivos recebam informações que os guiem em suas tomadas de decisões. Eles 
são baseados em fatos e não em intuições e especulações. 
Um DW concentra dados de diversos sistemas estruturados e outras bases de dados, de diferentes 
plataformas. Os dados antes de serem armazenados são filtrados, normalizados, reorganizados e 
sumarizados para constituírem uma base de dados confiável e íntegra. Muitas vezes uma informação 
está representada de diversas formas diferentes, dependendo do sistema de informação que está 
sendo utilizado.
Para a geração de um DW sustentável, os dados devem ser “garimpados” para a localização de 
informações escondidas nos diversos dados de uma empresa. A maioria dos sistemas de informação 
é parametrizada, e as pesquisas às informações são pré-definidas e não oferecem flexibilidade ao 
usuário final, e muitas vezes nem aos próprios analistas de sistema. 
O DW deve permitir o download de informações para a sua utilização em outras ferramentas e 
plataformas, tais como: planilhas eletrônicas e até mesmo outros bancos de dados. Diferente dos 
bancos de dados tradicionais que são orientados a transações on-line em tempo real, o DW deve 
manter um controle rígido do histórico das informações. 
Com o cruzamento multidimensional dos dados pode-se descobrir associações que nem mesmo os 
usuários imaginariam pesquisar.
Decorrente do grande volume de dados que podem ser gerados por um DW, que muitas vezes 
ultrapassam os terabytes, a eficiência dos sistemas pode ficar comprometida (tempo de resposta). 
Desta maneira, para melhorar esta eficiência, existe uma forma de sua fragmentação no DW (quebra 
em pedaços menores) que são denominados de Data Marts. Eles são orientados a determinados 
assuntos da empresa.
13
APLICAÇÃO DO BI │ UNIDADE I
Benefícios da utilização da utilização de um 
Data Warehouse
 » Ele mantém o histórico de dados, mesmo se os sistemas transacionais não os 
fizerem.
 » Ele integra os dados de vários sistemas, permitindo uma visão consolidada de toda 
a empresa e principalmente quando existem várias empresas coligadas ou filiais 
com sistemas de informações diferentes.
 » Ele padroniza os códigos e descrições, o que permite uma melhor gestão na definição 
de possíveis compras de material para múltiplas empresas, por exemplo.
 » Ele fornece um único modelo de dados para toda a empresa, independente da fonte 
de dados que utilizada (texto, BD, planilhas etc.).
 » Ele reestrutura os dados de modo a satisfazer as necessidades do negócio, auxiliando 
e melhorando o desempenho das consultas.
 » Ele agrega valor às aplicações denegócio operacional, principalmente a gestão de 
relacionamento com clientes (CRM).
 » Ele permite a fácil integração entre os sistemas dos fornecedores e os de compra das 
empresas, permitindo uma melhor gestão de materiais.
Um DW (Data Warehousing) é projetado para realizar tanto o processamento analítico (OLAP, On-
line Analytical Processing) como o transacional (OLTP, On-line Transactional Processing).
Dificuldades encontradas na implementação
A adoção de um sistema ERP requer uma mudança de cultura interna da organização. Porém, os 
conceitos de BI, ao contrário do ERP, não modificam a forma de trabalhar da empresa de forma tão 
radical, mas se adequam a ela e estão intimamente atrelados à estratégia de negócios.
Alguns projetos falham devido à adoção de hardware e software errados. Isso pode ocorrer quando 
são avaliadas apenas as características funcionais das ferramentas de BI escolhidas. O cuidado com 
o tratamento dos dados é outro elemento fundamental para que o projeto de BI não resulte em um 
grande fracasso.
Inevitavelmente quando se fala em BI não há como se deixar de considerar a importância do DW 
e as dificuldades inerentes à sua implementação. O desenvolvimento desse tipo de repositório de 
dados é extremamente trabalhoso, caro e requer profissionais altamente qualificados.
Erros simples podem ser fatais na fase de elaboração e desenvolvimento de um projeto de DW, 
resultando na construção de um amontoado de dados estáticos e inúteis.
14
UNIDADE I │ APLICAÇÃO DO BI
Outra etapa bastante crítica de um projeto de DW é a de ETL (Extração, Tratamento e Limpeza dos 
dados), pois se uma informação é carregada de forma equivocada trará consequências imprevisíveis 
nas fases posteriores.
Por último, porém não menos importante, a implantação de um projeto de BI não é barata. As 
empresas precisarão investir em consultoria, hardware, software e treinamento. 
Ferramentas de BI, plataformas e perfis de 
usuários
OLAP (On-line Analytical Processing)
Atualmente o OLAP (On-line Analytical Processing) é um dos muitos componentes do framework de 
Business Intelligence, assim como outras tecnologias de suporte à decisão, tais como: visualização 
de dados, data mining, data warehousing. 
Alguns fornecedores têm feito o esforço de incluir na sua linha de produtos estas tecnologias de 
suporte à decisão, outros fornecedores optaram por um produto aberto formando parcerias com 
fornecedores de produtos complementares.
A seguir uma breve história do lançamento de alguns produtos OLAP:
 » Em 1970, o Express foi à primeira ferramenta multidimensional usada para 
aplicações de marketing. Foi adquirida pela Oracle em 1995.
 » Em 1982, o Comshare System W foi a primeira ferramenta OLAP usada para 
aplicações financeiras.
 » Em 1984, o Metaphor foi o primeiro ROLAP. Foi adquirido pela IBM em 1991.
 » Em 1985, o Pilot Command Center foi o primeiro EIS Cliente/Servidor estilo OLAP.
 » Em 1992, o Arbor Essbase foi o primeiro OLAP Cliente/Servidor que usou a planilha 
eletrônica com front-end.
 » Em 1994, o MicroStrategy DSS Agent foi o primeiro ROLAP com um engine 
multidimensional.
 » Em 1995, o Holos 4.0 foi o primeiro HOLAP.
 » Em 1996, o Business Objects foi a primeira ferramenta que proveu ao mesmo tempo 
relatórios relacionais e multidimensionais de cubos construídos dinamicamente no 
desktop de dados relacionais.
 » Em 1998, a IBM lança o IBM DB2 OLAP.
 » Em 1998, a Microsoft lança Microsoft OLAP.
15
APLICAÇÃO DO BI │ UNIDADE I
O OLAP é um software com uma tecnologia utilizada para organizar grande quantidade de dados 
(bancos de dados). Ele permite aos analistas de negócios, gerentes e executivos analisar e visualizar 
dados corporativos de forma rápida, consistente e principalmente interativa.
Os bancos de dados OLAP são divididos em uma estrutura denominada de “cubos”, cada cubo 
é organizado e projetado por um administrador que ajusta à forma que as informações serão 
recuperadas e analisadas. Este administrador deve possuir uma visão geral do negocio, pois é ele 
que prepara os dados para criação dos relatórios e gráficos dinâmicos que serão utilizados como 
parâmetros para uma tomada de decisão.
Um executivo normalmente deseja obter uma visão geral de seu negócio, para observar tendências do 
mercado e determinar para qual rumo à empresa deve seguir. Para verificar essas tendências a base de 
dados consultada deverá ser dividida por um determinado número de variáveis, que devem refletir a 
situação atual da empresa e mostrar de forma analítica os resultados, passados, presentes e as previsões 
futuras. A este processo denominamos “Inteligência comercial” que nada mais é do que extrair dados 
de um banco de dados OLAP e, em seguida, analisar esses dados e transforma-los em informações que 
possam ser usadas na tomada de decisões de negócios. Por exemplo, o OLAP e a inteligência artificial 
ajudam a responder aos seguintes tipos de questões sobre os dados de uma empresa:
 » Como as vendas totais de todos os produtos de 2013 se comparam às vendas totais 
de 2012?
 » Como a nossa lucratividade atual se compara com o mesmo período durante os 
últimos dez anos?
 » Quanto os clientes com mais de 40 anos gastaram no ano passado, e como esse 
comportamento mudou dos últimos 3 anos?
 » Quantos produtos foram vendidos em uma determinada região específica este mês 
em comparação ao mesmo período do ano passado?
 » Qual produto obteve uma curva ascendente de venda nos últimos anos?
 » Localizar quais produtos foram mais vendidos por região e seus distribuidores.
Os bancos de dados OLAP são otimizados para consulta e geração de relatórios, ao 
invés de realizar os processamentos das transações. 
Os dados de origem de um OLAP são oriundos dos bancos de dado OLTP (On-line Transactional 
Processing) que são comumente armazenados em depósitos de dados. Os bancos de dados OLAP 
foram criados para acelerar a recuperação de dados. Eles são derivados de dados históricos, e 
agregados em estruturas que permitem uma análise sofisticada. Os dados OLAP também são 
organizados de forma hierárquica e armazenados em estruturas denominadas “cubos” ao invés de 
tabelas.
16
UNIDADE I │ APLICAÇÃO DO BI
Esta tecnologia é muito sofisticada e utiliza estruturas multidimensionais para fornecer acesso 
rápido aos dados que serão analisados. Esse tipo de organização facilita a confecção de relatórios e 
gráficos dinâmicos. Ela possibilidade a geração de resumos de alto nível, que fornecem, por exemplo, 
os totais de vendas para um país ou região, com a exibição dos detalhes referentes aos locais em que 
as vendas são particularmente altas ou baixas indexadas por mês, por dia ou por hora.
Um banco de dados OLAP possui dois tipos básicos de dados: 
 » As medidas, que são dados numéricos, as quantidades e médias que você usa para 
tomar decisões comerciais estando bem informado. 
 » As dimensões, que são as categorias que você usa para organizar essas medidas. 
Os bancos de dados OLAP ajudam a organizar os dados em níveis de detalhe, usando as mesmas 
categorias utilizadas no negocio e que os usuários já estão familiarizados para analisar.
A seguir são descritos os componentes OLAP em mais detalhes.
Cubo
É uma estrutura de dados que agrega as medidas por níveis e hierarquias de cada uma das dimensões 
que devem ser analisadas. Os cubos combinam várias dimensões, tais como tempo, geografia, 
produtos entre outas, com dados resumidos, como números ou intervalo de vendas. 
Os cubos são uma metáfora de um conceito complexo, eles não são “cubos” no sentido matemático, 
porque não necessariamente possuem lados iguais.
Medida
É um conjunto de valores em um cubo que é baseado em uma coluna na tabela de fato do cubo e são 
geralmente valores numéricos. 
As medidas são os valores centrais do cubo que são processadas, agregadas e analisadas. Temos 
como exemplo a inclusão do número de vendas, o lucro correspondente por venda, impostos e 
custos de produção.
Membro
É um item em uma hierarquia,representa uma ou mais ocorrências nos dados, ou seja, ele pode 
ser “exclusivo” ou “não exclusivo”. Por exemplo, 2012 e 2017 representam membros exclusivos no 
nível de ano de uma dimensão temporal, em que de janeiro a dezembro representam membros “não 
exclusivos” no nível de mês, pois poderá haver mais de um janeiro na dimensão de tempo, se ela 
contiver dados de vários anos.
17
APLICAÇÃO DO BI │ UNIDADE I
Membro calculado
É um membro de uma dimensão cujo valor é resultado de um cálculo durante o tempo de execução, 
que é realizado por meio de uma expressão lógica. Os valores deste membro podem ser derivados 
de outros valores de outros membros. 
Por exemplo, um membro calculado, Estoque Atual pode ser determinado pela subtração do valor 
do membro, Venda, do valor do membro, Estoque.
Dimensão
É um conjunto de uma ou mais hierarquias organizadas em níveis em um cubo que é usado como 
a base para a análise de dados. Por exemplo, uma dimensão geográfica talvez inclua níveis para 
País/Região, Estado/Província e Cidade. Uma dimensão de tempo inclui níveis como ano, semestre, 
trimestre, bimestre, mês e dia. 
Hierarquia
É uma estrutura em árvore lógica que organiza os membros de uma dimensão de forma que 
cada um tenha seus níveis de integração correspondentes (pai e filhos). Um filho é considerado o 
próximo nível inferior em uma hierarquia que está diretamente relacionada ao membro atual. Como 
exemplo, em uma hierarquia “Tempo” que contém os níveis Ano, Semestre, Trimestre, Bimestre, 
Mês e Dia, Janeiro é um filho de Ano. Um pai é um membro na próxima hierarquia superior que 
está diretamente relacionado ao membro atual. O valor pai é geralmente uma consolidação dos 
valores de todos os seus filhos. Por exemplo, em uma hierarquia “Tempo” que contém os níveis Ano, 
Semestre, Trimestre, Bimestre, Mês e Dia, Ano é o pai de Janeiro que é pai de Dia.
Nível
Em uma hierarquia, os dados podem ser organizados em níveis de detalhamento inferior e superior, 
tais como níveis Ano, Trimestre, Mês e Dia em uma hierarquia Tempo.
Recursos do OLAP
Acesso a dados OLAP
A conexão às fontes de dados OLAP ocorre da mesma maneira que se conecta às fontes de dados 
externos. Os bancos de dados podem ser criados, por exemplo, com o Serviços OLAP do Microsoft 
SQL Server ou Microsoft SQL Server Analysis Services que são os produtos de servidor Microsoft 
OLAP. Ainda na família de soluções Microsoft, o Excel pode ser utilizado para criação de relatórios e 
gráficos com os dados OLAP Microsoft e também utilizando outros produtos OLAP de terceiros que 
sejam compatíveis com o padrão OLE-DB para OLAP. Pode-se também salvar relatórios de tabela 
dinâmica OLAP e relatórios de gráfico dinâmico nos modelos de relatório e criar assim arquivos 
18
UNIDADE I │ APLICAÇÃO DO BI
ODC (Conexão de Dados do Office) (.odc) para criar bancos de dados OLAP para consultas. Quando 
se utiliza o Excel ele abre um arquivo ODC e exibe um relatório de tabela dinâmica vazio, que está 
pronto para você utilizar.
Operações suportadas no OLAP:
1. Operação fatiar (slice): seleciona dados de uma única dimensão de um cubo OLAP.
2. Operação cortar um subcubo (dice): extrai um subcubo do cubo original executando 
uma operação de seleção em duas ou mais dimensões.
3. Operação de agregação (roll-up): é a combinação de células de uma ou mais 
dimensões definidas em um cubo. Uma forma de agregação usa o conceito 
de associação hierárquica com uma dimensão para atingir um nível maior de 
generalização.Operação de “drill-down”: é o reverso da agregação “roll-up”, implica 
em examinar dados com algum nível maior de detalhe.
4. Operação de rotação (rotation): permite visualizar dados de uma nova perspectiva.
Tipos de OLAP
Para permitir uma melhor classificação, as ferramentas OLAP estão divididas em as que utilizam 
banco de dados multidimensional (MDDB) e as que armazenam os dados em bancos de dados 
relacionais. Outra diferenciação esta relacionada ao tipo de processamento realizado no cliente ou 
no servidor.
MDDB baseado em Servidor
Esta solução armazena todos os dados no formato multidimensional, esta solução é proprietária e 
não utiliza o SQL. Este tipo de solução constrói um ambiente muito fechado. 
Todo o processamento é realizado no servidor. A solução é projetada para consultas complexas, ela 
apresenta um bom desempenho, mas tem limitações de espaço de armazenamento de dados.
ROLAP baseado em Servidor
Esta solução armazena todos os dados em outros bancos de dados, geralmente relacionais. Os 
dados são recuperados do banco de dados quando solicitado pelo usuário e são gerados através de 
comandos SQL. 
Todo o processamento é realizado no servidor. É lento para consultas complexas e tem como 
vantagem ser um ambiente mais aberto.
19
APLICAÇÃO DO BI │ UNIDADE I
Mercado e tendências futuras
Existem muitas discussões para determinar qual o melhor ambiente a ser utilizado. O ambiente 
multidimensional real normalmente tem um desempenho excelente e necessita um servidor menor. 
O ambiente virtual tem menos duplicação de dados, é possível realizar o Data Mining no mesmo 
banco de dados, os dados são mais atualizados, e um banco de dados relacional pode armazenar 
mais do que um banco de dados multidimensional. 
O banco de dados multidimensional híbrido é uma forte tendência que está surgindo no mercado.
HOLAP baseado no Servidor
Nesta solução o armazenamento pode ser feito tanto em um banco de dados normal ou 
multidimensional. Todos os dados são apresentados como dados multidimensionais.
Algumas vezes são gerados comandos SQL e todo o processamento é feito no servidor.
MDDB baseado no Cliente
Esta solução armazena todos os dados localmente no formato multidimensional. 
Todo o processamento é feito no lado cliente. Os dados são periodicamente copiados para o banco 
de dados local.
ROLAP baseado no cliente
Nesta solução os dados são armazenados normalmente de forma local, podendo existir em alguns 
casos um banco de dados externos à ferramenta. 
Todo o processamento é feito no lado cliente e são gerados com comandos SQL.
De forma geral, os produtos que acessam dados multidimensionais diretamente a partir do SQL tem 
um pior desempenho, quase sempre há muito mais envolvimento de I/O do que de CPU. 
Seu desempenho de extração é geralmente de duas a quatro vezes, mais lento, porque o SQL não é 
a melhor solução para extração e manipulação de dados multidimensionais. 
Em contrata partida eles são capazes de manipular grande quantidade de dados. Assim, se a questão 
principal for o desempenho, a tecnologia de banco de dados multidimensional permanece essencial. 
Mas se a capacidade é um fator limitante, se deve utilizar esta solução preferencialmente.
Decorrente da necessidade de desempenho em grandes bases de dados a arquitetura híbrida está 
se tornando mais popular para os produtos atuais porque consegue combinar a capacidade das 
ferramentas ROLAP com o desempenho superior dos bancos de dados multidimensionais.
20
UNIDADE I │ APLICAÇÃO DO BI
Existem produtos MOLAP cujo cubo é armazenado dentro do banco de dados relacional como tipo 
de dados BLOB, como é o caso do produto da solução “Cognos”.
Relação de produtos e seus fornecedores
Existem vários fornecedores de produtos OLAP no mercado. A seguir estão relacionamos alguns 
deles:
Tabela 1. Fornecedores e os seus produtos para OLAP
Fornecedores Produto Tipo de Produto
Andyne Computing Ltd. PaBLO HOLAP Client
Applix TM1 Software Applix TM/1 MDDB Server
Arbor Software Corp. Essbase MDDB Client
Brio Technology Inc. Brio Query MDDB Client
Business Objects Inc. Business Objects ROLAP Client
Cognos Corporation PowerPlay HOLAP Client
Comshare Inc. Decision MDDB Client
Dimension Insight Cross Target MDDB Server
Gentia Software GQL MDDB Client/Server
Hyperion Software Corp. Pillar MDDB Client/Server
IBM DB2 OLAP Server HOLAP Server
Information Advantage Inc. Decision Suite ROLAP Server
Informix MetaCube ROLAP Server
Microsoft MicrosoftOLAP Server HOLAP Server
MicroStrategy Inc. DSS Server / DSS Agent ROLAP Client/Server
Oracle Express MDDB Server
Pilot Software Pilot Analysis Server MDDB Server
Platinum Technology InfoBeacon ROLAP Server
SAS Institute Inc. SAS MDDB Client/Server
Seagate Software IMG Holos HOLAP Client/Server
Speedware Corp. Inc. Media/MR MDDB Client/server
Sybase PowerDimensions ROLAP Server
WhiteLight Systems Inc. WhiteLight ROLAP Server
Produtos OLAP para o desktop
Existem diversos fornecedores que produzem ferramentas OLAP para serem utilizadas junto a 
outros softwares. Elas são distribuídas em regime de OEM. Normalmente esta fermenta é revendida 
por outros desenvolvedores de aplicativos. Os desenvolvedores que distribuíram esta ferramenta 
acrescentam a ela funcionalidades e interfaces que integram a estrutura de seus aplicativos.
Tipicamente, o fornecedor do aplicativo implementa funções para gerar os cubos de desktop quase 
automaticamente, usando os metadados do aplicativo, e então, revendem um padrão do produto 
OLAP para desktop. 
21
APLICAÇÃO DO BI │ UNIDADE I
Aplicativos especializados com servidores OLAP
Alguns fornecedores obtêm um licenciamento para ser um servidor OLAP para alguns de seus 
aplicativos. Para isso se torna necessário acrescentar uma “camada” extra entre o componente 
servidor do aplicativo e o servidor OLAP. 
Web browsers
Atualmente algumas empresas estão oferecendo soluções de Web browsers para acesso a OLAP, 
mas ainda são poucos os sites em funcionamento. Segundo alguns institutos de pesquisa o OLAP 
baseado na Web será a chave para aplicações na Intranet e deverá oferecer um caminho simples e 
barato no acesso ao DW.
O DW (Data Mining) e OLAP são tecnologias complementares. 
Para utilizarmos os servidores OLAP para uma variedade mais ampla de desenvolvedores, existem 
dois padrões no mercado:
1. OLE DB for OLAP: é uma API para interconectar clientes e servidores OLAP da 
Microsoft de codinome Tensor. 
2. MDAPI (Multidimensional API): o MDAPI busca o mesmo objetivo que o Tensor, 
mas com uma perspectiva mais aberta, suportando interfaces além daquela 
construída com objetos COM.
Fornecedores como Microsoft e IBM (DB2 OLAP Server), possuem servidores de OLAP que 
permitem que os dados possam ser armazenados tanto em banco de dados relacionais como em 
multidimensionais (cubos).
No passado os Servidores OLAP Multidimensionais tinham que fornecer todos os produtos de 
conexão às suas bases, hoje existem produtos front-ends que permitem conexão com estes servidores. 
Outro tipo de desenvolvimento que está ocorrendo no mercado é o de servidores de aplicação 
OLAP baseado em Java como alternativa para portar OLAP para acessar campos do banco de dados 
corporativo, reduzindo os requisitos de hardware do cliente.
Os fornecedores de OLAP devem confrontar-se com os problemas de utilização 
em massa. Seus aplicativos precisam se tornar cada vez mais fáceis de instalar, a 
integração de dados precisa deixar de ser um problema e fazer parte da solução, o 
treinamento para os usuários precisa ser rápido e objetivo.
No futuro o OLAP poderá se tornar tão comum quanto o uso das planilhas eletrônicas.
22
UNIDADE I │ APLICAÇÃO DO BI
OLTP, On-line Transactional Processing
O OLTP é um tipo de sistema projetado para suportar aplicativos orientados às transações. Os 
sistemas OLTP são projetados para responder imediatamente às solicitações do usuário, e cada 
solicitação é considerada uma única transação. As solicitações podem envolve, adicionar, recuperar, 
atualizar ou remover dados.
O objetivo do banco de dados de OLTP é capturar de maneira econômica a maior quantidade de 
dados possíveis no menor tempo. A combinação de melhorias em hardware e software de bancos de 
dados reduziu dramaticamente os custos de processamento transacional.
Esse tipo de funcionamento tem como principal objetivo aumentar a integridade das transações da 
empresa, tornando assim melhores as relações tanto internas quanto externas à organização. 
Ela colabora para o processo de fidelização de clientes, organização de fornecedores e de funcionários, 
controle de estoque (quando existir), dentre outras ramificações da vida empresarial.
Entretanto, essas inovações não estão acompanhando o crescimento dos dados transacionais:
 » Os aplicativos que mantinham megabytes de dados já estão próximos dos Petabytes 
e Zettabytes. Os requisitos dos negócios exigem que os dados sejam armazenados 
por muito mais tempo.
 » A velocidade de acesso está aumentando e a necessidade por menor latência está 
aproximando as tecnologias de seus limites.
 » Muitas empresas estão movendo seus dados transacionais para a nuvem conforme 
as novas tendências de mercado. 
 » Muitas empresas estão optando por soluções híbridas e processam dados tanto 
dentro da própria empresa como na nuvem.
 » Com o aumento dos volumes de dados transacionais as empresas estão hospedando 
suas informações fora das instalações, ou seja, dentro da nuvem.
 » Os aplicativos como do salesforce.com (para CRM), Netsuite (para ERP) ou Workday 
(para RH) têm sido implantados pelas empresas. 
KPIs (Key Performance Indicators)
Os KPIs são as especificações detalhadas utilizadas para rastrear objetivos de negócios. Um KPI 
pode ter um destino, um conjunto de intervalos, ou ambos, para avaliar o êxito com que um negócio 
está alcançando seus objetivos. Ele é uma técnica de gestão conhecida como Indicador-chave de 
Desempenho.
Para definir um KPI, escolha à medida que deseja analisar e as dimensões que deseja utilizar para 
organizar e recuperar os dados.
23
APLICAÇÃO DO BI │ UNIDADE I
Os KPIs são medidas quantificáveis para compreender se os objetivos estão sendo atingidos. Esses 
indicadores determinam se será preciso tomar providencias que melhorem os resultados atuais da 
empresa.
Os indicadores-chave de desempenho só devem ser alterados se os objetivos 
primários de uma empresa também sofrerem alterações.
Existem diferentes categorias de indicadores, que podem ser classificados em:
 » Quantitativos;
 » Qualitativos;
 » Atraso;
 » Entrada;
 » Processo;
 » Resultados;
 » Práticos;
 » Direcionais;
 » Acionáveis;
 » Financeiros. 
Alguns exemplos de KPI são:
 » Time to Market: este indicador corresponde ao tempo total para o lançamento de 
um produto, ele é disparado desde a idealização do conceito e até quando o produto 
está disponível para venda.
 » Lead Time: este indicador informa o tempo de duração de um determinado processo.
 » Stock Out: este indicador informa em quantas vezes ou quantos dias um 
determinado produto em estoque chega ao saldo zero.
 » Market Share: este indicador divide o mercado em fatias e determina o quanto 
um produto conquistou durante um determinado período de tempo.
 » Produtividade homem/hora: este indicador indica o número de unidades 
produzidas por cada indivíduo que trabalha na empresa.
 » Ociosidade: este indicador é informado em percentual de tempo que uma equipe, 
unidade de construção ou máquina ficam sem produzir.
 » Giro de Estoque: este indicador informa o consumo, ou seja a saída das 
mercadorias do estoque e informa qual o saldo Médio de estoque será necessário.
24
UNIDADE I │ APLICAÇÃO DO BI
Os administradores do cubo podem criar medidas específicas para representação de uma condição 
da pesquisa ou relatório, e utilizar cores para sua sinalização, como por exemplo, em um sistema de 
estoque, o verde em um determinado produto, pode significar que seu estoque está normal, amarelo 
esta em falta e vermelho está zerada.
Dependendo do seguimento da empresa existem vários indicadores-chave de desempenho que 
também são utilizados, vale ressaltar em ter eles: “bounce rate”, tempo de navegação, nível de 
profundidade da visita, número de usuários cadastrados, entre outros.
Muitas outras tecnologias de suporte à decisão devem se integrar com a tecnologia OLAP, incluindo 
pacotes de análise estatística, sistemas de informações geográficas (GIS), e ferramentasde 
visualização de dados.
A maioria dos fornecedores de servidores do tipo OLAP oferecem add-ins para planilhas eletrônicas 
como opção de front-end, possibilitando, com isto, apresentar dados multidimensionais através delas. 
A principal vantagem desta abordagem é que ela combina a exibição flexível, a força em formatação e 
os cálculos para fins específicos das planilhas com o gerenciamento de dados, cálculos e desempenho 
da tecnologia de banco de dados multidimensionais. Os fornecedores de servidores OLAP só precisam 
produzir diferentes versões de seus add-ins para cada nova versão de programa de planilhas.
Além das planilhas eletrônicas como clientes OLAP existem outras opções.
O OLTP é voltado para sistema de transações, regras de negócio que são aplicadas no sistema, por 
exemplo, um sistema de supermercado. Se visualizarmos com mais detalhes iremos perceber o 
OLTP em perfeito funcionamento. Como? Ao passarmos no supermercado hoje, iremos verificar 
nossa nota fiscal ao final da compra, com os produtos, taxas, quantidades e valor total. Se voltarmos 
no mesmo supermercado amanhã para fazer novas compras, iremos notar que não temos o resumo 
de compras do dia passado ou de qualquer outro dia.
O OLAP é voltado para análise das informações, ou seja, cálculos mais complexos, um sistema de 
modelagem voltado para desempenho, simplificado e desnormalizado. Um exemplo comum são 
os sistemas de apoio à decisão. Sistemas de consultas às informações analíticas da empresa onde 
podemos fazer qualquer tipo de solicitação e ter a resposta quase que de imediato, flexibilidade e 
muitas outras vantagens que irão possibilitar que o gestor tome sua decisão de forma assertiva e 
rápida. A tabela 2 apresenta uma comparação entre as tecnologias.
Tabela 2. Quadro comparativo OLTP e OLAP.
OLTP OLAP
Voltado para operações dia a dia Voltado para o desempenho analítico
Baixo desempenho em consultas Alto Desempenho em consultas
Modelagem ramificada Modelagem simplificada (star)
Histórico de operações inexistente Armazém de dados (Histórico existente)
Volátil Não volátil
25
APLICAÇÃO DO BI │ UNIDADE I
Vale esclarecer alguns pontos do quadro comparativo.
OLTP:
1. Quando falamos em modelagem ramificada estamos nos referindo ao tipo de 
modelagem relacional em que, de fato, o modelo como um todo possui várias 
ramificações de ligações de chave entre as tabelas.
2. O histórico geralmente não faz parte do modelo em geral. Isso não significa que 
geralmente esses modelos não guardam históricos, eles guardam em um “tabelão” 
onde as informações vão sendo sempre acumuladas para posteriormente serem 
aproveitadas para um DW.
3. Volátil significa a mudança constante dos dados no ambiente. Os dados são sempre 
repostos e a análise dos dados fica comprometida por conta das operações que são 
realizadas em um ambiente OLTP.
OLAP:
1. Na modelagem, temos o modelo mais utilizado que é o Star Schema e temos também 
o Snowflake que também pode ser usado. Isso vai depender das necessidades do 
projeto e o que deverá responder.
2. O armazém de dados é a principal fonte de dados do ambiente OLAP. Irá permitir 
que todas as operações de drill e entre outras possam ser executadas para facilitar a 
visualização da informação.
3. Ambiente não volátil se traduz por um ambiente onde teremos as informações 
sendo sempre inseridas e não modificadas. Isso permite uma análise verídica do 
passado, possibilitando análise de tendências etc.
Tabela 3. Comparação entre sistemas transacionais e analíticos.
Característica Sistemas Transacionais (OLTP)
Sistemas Analíticos 
(OLAP)
Atualizações Mais frequentes Menos frequentes
Tipo de Informação Detalhes Agrupamento
Quantidade de Dados Poucos Muitos
Precisão Dados atuais Dados históricos
Complexidade Baixa Alta
Consistência Microscópica Global
Exemplos CRM, ERP, Supply Chain MIS, DSS, EIS
Terminologia Linhas e Colunas Dimensões, Medidas e Fatos
Fonte: <http://msdn.microsoft.com/pt-br/library/cc518031.aspx>
26
UNIDADE I │ APLICAÇÃO DO BI
Benefícios propiciados pelo BI
O desenvolvimento de um repositório de dados como, por exemplo, um Data Warehouse (DW) ou 
um Data Mart (DM) bem como as ferramentas a serem usadas tais como ferramentas ETL (análise 
e desenvolvimento de relatórios), OLAP (análise dinâmica e multidimensional dos dados), entre 
outras, são fatores importantíssimos na estrutura de um BI.
Alguns benefícios do uso e aplicação do BI nas instituições:
 » Incorporar os projetos de tecnologia com as metas estabelecidas pelas empresas na 
busca do máximo retorno do investimento.
 » Compreender as tendências dos negócios, melhorando a consistência no momento 
de decisão de estratégias e ações a serem tomadas.
 » Facilitar a identificação de riscos.
 » Planejamento corporativo mais amplo.
 » Facilitar o acesso e distribuir informação de modo mais amplo para obter 
envolvimento de todos dentro da empresa.
 » Oferecer dados estratégicos para análise com um mínimo de atraso em relação a 
uma transação ou evento dentro da empresa.
ETL – Extração, Transformação e Carga de 
Dados
A ETL, extração, transformação e carga de dados é a fase mais importante na criação de, um Data 
Warehouse, ela envolve a movimentação dos dados de múltiplas origens obedecendo as regras de 
cada negócio. Ela é dividida teoricamente em três passos, extração (E), transformação (T) e carga 
(L – Loader) dos dados. A figura 1 ilustra o ERL.
Figura 1. ETL.
Fonte: <http://igorportela.com/extract-transform-and-load-etl/>
27
APLICAÇÃO DO BI │ UNIDADE I
O primeiro passo a ser realizado no processo de ETL é a definição das fontes de dados em que será 
realizada a extração.
As origens podem vir de vários locais e possuírem diferentes formatos; são encontrados desde os 
sistemas transacionais das empresas até planilhas, flat files (arquivos textos) dados do Mainframe 
entre outros.
O segundo passo é a transformação e limpeza dos dados. 
É muito comum na obtenção dos dados encontrarmos muito ‘lixo’ e varias inconsistências. Um erro 
muito comum está relacionado ao cadastramento dos dados de um cliente, por exemplo, quando 
um vendedor de algum produto for executar uma venda, ou inscrição, ele está preocupado com sua 
comissão, e não na qualidade dos dados que está inserindo no sistema, então se por acaso o cliente 
não possuir o número do CPF ou RG, ele cadastra um número genérico, desde que o sistema aceite, 
um dos mais utilizados é o 999999999-99 para o CPF. 
Por isso, nessa fase do DW, deve-se realizar uma limpeza estruturada desses dados e criar um fator 
de compatibilidade entre eles.
Além da limpeza, na maioria das vezes é necessário realizar uma transformação, pois os dados 
provêm de vários sistemas, e por isso, geralmente uma mesma informação tem diferentes 
formatos, por exemplo: em alguns sistemas, a informação sobre o sexo do cliente pode estar 
armazenada no seguinte formato: “M” para Masculino e “F” para Feminino, porém em algum 
outro sistema está guardado como “H” para Masculino (Homem) e “M” para Feminino (Mulher), 
em outro ainda, podemos encontrar “1” para Masculino e “2” para Feminino, entre outras 
combinações. 
Quando importamos esses dados para o DW, deve-se existir uma padronização, ou seja, os dados 
devem ser transformados para um único formato, esta etapa é muito importante e caso não seja 
realizada com cuidado a criação do DW será comprometida, pois ela possuirá dados inconsistentes, 
quando o usuário for consultar o DW, ele não pode ver informações iguais em formatos diferentes. 
Assim sendo, quando fazemos o processo de ETL, transformamos esses dados e os deixamos em um 
formato uniforme sugerido pelo próprio usuário, como por exemplo “M” para Masculino e “F” para 
Feminino. 
No DW, teremos somente M e F, fato esse que facilitará a análise dos dados que serão recuperados 
pela ferramenta OLAP.
Podem-se integrar todas as fontes de dados em um único banco. Com isso não existirão mais “ilhas” 
de dados, mas sim teremos informaçõesricas e totalmente integradas. 
28
UNIDADE I │ APLICAÇÃO DO BI
Figura 2. Passos de um ETL.
Fonte: <http://www.jitterbit.com/images/solutions-ETL-diagram.png>
Na maioria das vezes o volume de dados é muito grande, neste caso o sistema não tem condições de 
processar as extrações e transformações na “janela de tempo” em que o DW não está sendo usado, 
neste caso é utilizada uma técnica denomina de “Staging” para executar os processos. 
A Staging é considerada uma área fora do acesso dos usuários, e que não suporta queries dos 
usuários. 
Ela pode ser composta por flat files (arquivos textos) ou tabelas de banco de dados na terceira forma 
normal (normalizadas).
Fase de extração e transformação de dados
A extração de dados do ambiente operacional para o ambiente de DW demanda uma mudança na 
tecnologia. 
Os dados são transferidos de bancos de dados hierárquicos ou de bases de grande porte, como o 
DB2, para uma nova estrutura de SGBD (Sistema Gerenciador de Banco de Dados) relacional para 
DW, tais como o DB2 UDB, Oracle, Teradata entre outras soluções proprietárias e baseadas em 
software livre, a tabela apresenta alguns bancos de dados que formam ou podem ser utilizados em 
um sistema de DW. A tabela 4 apresenta alguns bancos de dados com seus fabricantes.
Tabela 4. Banco de Dados x Fabricante.
Banco de dados Fabricante
Adabas D Software AG
Advanced Pick Pick Systems
Broadbase Server Broadbase Information Systems
29
APLICAÇÃO DO BI │ UNIDADE I
Banco de dados Fabricante
DB2 IBM
Fast-Count DBMS MegaPlex Software
HOPS HOPS International
Microsoft SQL Server Microsoft
MK Platform Synergistics Services Group
Model 204 Computer Corp. of America
NonStop SQL Tandem
Ngram Transform-DB Triada
Nucleus Server Sand Technology Systems
On-line Dynamic Server, Extended Parallel 
Server
Informix
OpenIngress Computer Associates
Oracle Server Oracle
Rdb Oracle
Red Brick Warehouse Red Brick Systems
SAS System SAS Institute
Sybase IQ Sybase
Sybase SQL Server, SQL Server MPP Sybase
SymfoWARE Fujitsu (Japan)
Teradata DBS NCR
THOR Hitachi
Time Machine Data Management Technologies, Inc.
Titanium Micro Data Base Systems, Inc.
Unidata Unidade, Inc.
UniVerse VMARK
Vision Innovative Systems Techniques, Inc
WX9000 White Cross Systems Inc.
A seleção de dados do ambiente operacional para a criação de um DW normalmente é complexa, 
é necessário muitas vezes selecionar vários campos de um sistema transacional para compor um 
único campo no DW.
Outro fator que deve ser levado em conta na montagem de um DW é que dificilmente existe uma 
documentação do modelo de dados dos sistemas antigos, e quando existe ela não está atualizada, 
por exemplo: um campo data do sistema operacional do tipo DD/MM/AAAA pode ser reformatado 
para o outro sistema do tipo ano e mês como AAAA/MM.
Quando existem vários arquivos de entrada, a escolha das chaves deve ser feita antes que os arquivos 
sejam intercalados para geração da extração para o DW. Isso significa que se diferentes estruturas 
de chaves são usadas nos diferentes arquivos de entrada, então deve-se optar por apenas uma dessas 
estruturas.
Os arquivos devem ser gerados obedecendo à mesma ordem das colunas estipuladas no ambiente 
de DW.
30
UNIDADE I │ APLICAÇÃO DO BI
Às vezes pode existir um campo no DW que não possua fonte de dados, então a solução é definir um 
valor padrão para estes campos.
O DW espelha as informações históricas necessárias, enquanto o ambiente 
operacional focaliza as informações pontuais correntes. 
Fase de carga de dados
A parte de carga dos dados em um DW também possui uma enorme complexidade, e alguns fatores 
devem ser levados em consideração.
No momento da carga é necessário sempre verificar se os campos que são “chaves estrangeiras” 
estão alinhados com suas respectivas tabelas.
Deve-se certificar de que os dados existentes estão de acordo com a tabela da chave primária 
(integridade dos dados).
Em um DW normalmente são mantidos todos os históricos, sendo assim poderá acontecer que as 
tabelas tenham que ser dimensionadas (slowly change dimension).
Apesar de existirem ótimas ferramentas de ETL já consolidadas como o DTS (Data Transformation 
Service), Data Stage, ETI, Business Objects Data Integration, Sunopsis, Oracle Data Integrator, 
Oracle Warehouse Builder entre outras, ainda se tem a necessidade de criar rotinas de carga para 
atender determinadas situações que poderão ocorrer, estas rotinas podem ser shell script, SQL puro 
ou em C, quando precisa de uma ótima performance. 
Figura 3. Esquema de um ETL.
Fonte: <http://litolima.files.wordpress.com/2010/01/etl003.jpg>
31
APLICAÇÃO DO BI │ UNIDADE I
As ferramentas de ETL mais utilizadas no mercado são o Data Stage da IBM, o ETI da ETI 
Corporation, Sagent da Group 1 Software, Informática Power Center da Informática, DTS da 
Microsoft, Pentaho (Open Source), Talend (Open Source), Sunopsis e o Oracle Warehouse Builder 
da Oracle. Todos possuem seus diferenciais e cada um poderá ser utilizado dependendo do caso de 
cada empresa. 
Existem outras ferramentas que tem custo zero de aquisição, pois vem embutida junto com um 
SGBD (Sistema Gerenciador de Banco de Dados), mas em contrapartida são bastante limitadas no 
tocante a extração de dados e exigem uma maior codificação dos processos de ETL, em relação às 
outras. 
As soluções open source, dependendo do porte do projeto, podem atender satisfatoriamente às 
necessidades da empresa.
Uma ferramenta de ETL é essencial para os sistemas OLTP (transacionais), pois ela é uma poderosa 
fonte para geração dos metadados.
Metadados
Os metadados podem ser basicamente definidos como “dados que descrevem os dados”, ou seja, são 
informações úteis para identificar, localizar, compreender e gerenciar os dados. Eles são marcos ou 
pontos de referência que permitem circunscrever a informação sob todas as formas, pode-se dizer 
resumos de informações sobre a forma ou conteúdo de uma fonte.
O prefixo “Meta” vem do grego e significa “além de”, logo metadados são informações que acrescem 
valor aos dados e que têm como objetivo principal informar sobre eles para tornar mais fácil a sua 
organização e manipulação.
Quando bem documentamos e disponibilizamos os metadados, enriquecem a semântica do dado 
produzido, agregando a ele o seu significado real. 
O metadado fornece suporte às atividades de Administração de Dados, por exemplo, os dados 
produzidos pelo IBGE, para realização de consultas e utilização em outros sistemas (importação), 
os metadados são fundamentais. 
O sistema de metadados do IBGE tem por função facilitar o acesso às informações produzidas pelo 
IBGE, descrevendo seu acervo institucional nas áreas de Estatística e de Geografia. Por meio desse 
sistema é possível verificar características e documentos relacionados aos produtos do Instituto. Por 
meio dos metadados, o usuário pode localizar interpretar e acessar os dados disponíveis em todos 
os sistemas de informação disponibilizados pela instituição. A figura 4, apresenta onde localizamos 
os metadados.
32
UNIDADE I │ APLICAÇÃO DO BI
Figura 4. Metadados.
Fonte: <http://metadados.bn.pt/semweb-jlb.gif>
Desde o início dos sistemas de busca, esse tipo de informação é usado para classificar e organizar as 
pesquisas. A diferença agora é que as informações estão mais dispersas e crescem a uma velocidade 
exponencial.
Pode-se citar como exemplos da utilização dos metados no universo da gestão de arquivos baseada 
em papel a: 
 » localização física;
 » no de caixa;
 » etiqueta de pasta;
 » sistema de classificação.
No mundo do controle das imagens podem incluir tipo de documento, data, entidades com que se 
relaciona. As definições e regras de negócio, detalhes de segurança, informação de domínios, tags 
XML também são exemplos.
No caso dos DW, os metadados são instrumentos essenciais para a gestão do repositório e incluem 
informações como lista de conteúdo, origem dos dados, transformações (como filtragens oucálculos 
efetuados na transferência para a localização atual), versão, modelos de dados entre outros.
Os metadados podem ser estruturados ou não estruturados. Um exemplo de metadados não 
estruturados são os índices produzidos por um sistema de indexação e pesquisa em texto integral. 
Um exemplo de metados estruturados são os sistemas de classificação de arquivo ou o dicionário de 
dados de um SGBD. 
33
APLICAÇÃO DO BI │ UNIDADE I
Os EDI (Electronic Data Interchange) não poderiam funcionar, com uma circulação diária de 
milhões de documentos entre empresas de todo o mundo se não fossem seguidos rigorosos controles 
de identificação chamados “transaction sets”, que são baseados nos metadados.
No âmbito da gestão documental existe uma distinção entre índices e metadados: em um sistema 
de indexação por descritores, os dados de índice são geralmente uma parte dos metadados e em 
um sistema de texto integral em que todas as palavras são parte do índice, os metadados devem ser 
descritos. 
Podemos considerar que os metadados são instrumentos essências para a busca e recuperação da 
informação, mas no caso dos documentos têm uma função adicional do ponto de vista arquivístico: 
atender aos requisitos de administração, como por exemplo, a determinação do ciclo de vida e, 
portanto o prazo de retenção dos documentos, base para decisões sobre localização e meio de 
armazenamento, migração entre outros.
Como os metadados são necessários para a gestão dos documentos, já existem nas bases de dados, 
sua utilização na integração com os sistemas “Line-of-Busines” como os ERP tornam-se fundamental 
na criação dos DW.
Aliás, essa integração deveria ser sempre avaliada ao estabelecer um Plano de Arquivo e de Gestão 
Documental.
A importância dos metadados para a websemântica está basicamente ligada à facilidade de 
recuperação dos dados, uma vez que estes terão um significado e um valor bem definidos. Nesse 
sentido, todos os documentos publicados na web devem ser catalogados.
Pesquise sobre Websemântica.
Aplicação de BI em segmentos verticais
A utilização das soluções de BI em diferentes segmentos de mercado apresenta resultados bem 
significativos. As empresas do setor financeiro, por exemplo, em segundos selecionam seus “melhores 
clientes” para poder oferecê-los um tratamento diferenciado. Na área de telecomunicações, as 
operadoras, com os dados coletados, tem a capacidade de ampliar o potencial de suas antenas e 
Estações Rádio-Base (ERB) a partir de informações de clientes, como números de ligações perdidas 
ou não atendidas. 
Com base no comportamento de seus consumidores, uma loja pode selecionar quais produtos 
apresentam uma melhor combinação para serem vendidos de forma casada. O principal é 
transformar dados em informações e com elas nortear os negócios. Para que tudo isto funcione as 
empresas devem ser claras e objetivas nas suas metas para que um projeto de BI atinja o resultado 
esperado. 
34
UNIDADE I │ APLICAÇÃO DO BI
Atualmente, as ferramentas de BI não estão mais concentradas apenas nas mãos dos gerentes e 
executivos de alto escalão responsáveis por decisões. Os funcionários das diversas áreas podem 
fazer consultas ao banco de dados de sua empresa e gerar relatórios, sem precisar entender muita 
coisa de programação ou de informática. 
35
CAPÍTULO 3
Data Marts
Os Data Marts são conjuntos de dados desenvolvidos que pertencem à área dos data warehouses. 
No passado, eles eram concebidos como uma forma de apresentar dados unicamente agregados, 
sobre os quais era aplicada uma aritmética qualquer. Este tipo de agregação produzia aplicações 
muito rígidas que conseguiam responder apenas a um conjunto muito limitado de questões.
Atualmente os data marts estão estruturados e muito mais flexíveis. Eles incorporam os dados mais 
atómicos que se conseguem extrair de um sistema operacional, e são apresentados ao utilizador na 
forma de um esquema em estrela.
Esquema Estrela
Para facilitar a análise, o Data Mart organiza os dados em uma estrutura chamada esquema estrela. 
Esta estrutura esta formada por uma tabela central – tabela de fatos – e um conjunto de tabelas 
organizadas ao redor dela, as tabelas de dimensões.
Nas pontas da estrela estão as tabelas de dimensões que contém os atributos das aberturas que 
interessam ao negócio e que podem ser utilizadas como critérios de filtro e são relativamente 
pequenas. Cada tabela de dimensão está relacionada com a tabela de fatos por um identificador.
As características de um esquema de estrela são:
 » O centro da estrela é a tabela de fatos.
 » As pontas da estrela são as tabelas de dimensões.
 » Cada esquema está formado por apenas uma tabela de fatos.
Normalmente é um esquema totalmente não padronizado e pode estar parcialmente padronizado 
nas tabelas de dimensões. A figura 5 indica como é utilizado um esquema estrela.
Figura 5. Esquema Estrela.
Fonte: AcadBI-Modulo3
36
UNIDADE I │ APLICAÇÃO DO BI
A figura 6 apresenta um exemplo de um esquema estrela considerando a necessidade de analisar 
como evolui a Admissão de Funcionários (Fato) por serviço, funcionário e região geográfica ao longo 
do tempo.
Figura 6. Exemplo esquema estrela.
O modelo dimensional divide o mundo dos dados em dois grandes tipos: as medidas e as dimensões 
destas medidas. As medidas são sempre numéricas e são armazenadas nas tabelas de fatos e as 
dimensões contextuais são armazenadas nas tabelas de dimensões.
A tabela de fatos é a tabela primária do modelo dimensional e contém os valores do negócio 
que deseja analisar. Cada tabela de fatos contém as chaves externas que se relacionam com suas 
respectivas tabelas de dimensões e as colunas com os valores que serão analisados.
Os Data Marts atendem as necessidades individuais de cada unidade específica de negócio ao invés 
de servir aos interesses organizacionais da corporação inteira. Eles se aperfeiçoaram na entrega de 
informação de suporte à decisão com foco na gerência sumarizada de dados ao invés do histórico de 
níveis atomizados. 
A crescente popularização da implementação de Data Marts se baseia em alguns fatores:
 » Eles podem ser apropriados e gerenciados por pessoas externas ao departamento 
de informática das corporações.
 » Eles têm diminuído drasticamente o custo de implementação e manutenção de 
sistemas de apoio à decisão.
 » Protótipos podem ser construídos rapidamente, com tempo médio entre 30 e 120 
dias e sistemas completos podem ser construídos entre 3 e 6 meses.
37
APLICAÇÃO DO BI │ UNIDADE I
 » Eles têm o escopo mais limitado, o que facilita sua identificação para grupos de 
necessidades dos usuários.
Os departamentos e as pequenas unidades de negócio de uma empresa estão optando com frequência 
por construir o seu próprio sistema de apoio à decisão através dos Data Marts. 
A maioria dos departamentos de informática está observando a efetividade desta abordagem e estão 
construindo os seus próprios DW por assunto ou um Data Mart por vez, gradualmente, e com isso 
estão ganhando experiência no desenvolvimento.
Em relação aos DWs, a utilização de Data Marts reduz em tempo e custo o desenvolvimento e é 
adequada quando se trata de uma implantação de uma solução de BI onde a organização não dispõe 
de tempo para aguardar uma implementação tradicional.
Métodos de desenvolvimento
No desenvolvimento de uma solução DW podemos considerar inicialmente o Data Mart como sendo 
um subconjunto do DW que surge após sua implementação e possui o objetivo de servir de fonte de 
acesso às informações para os usuários finais, que estão alocados em departamentos ou segmentos 
específicos da organização.
Através de uma interface Front End as aplicações realizam a análise dos dados. Os data marts nessa 
visão são completamente dependentes do DW, já que extraem seus dados da área de staging e são 
otimizados para fornecer alta performance.
Esse tipo de implementação caracterizada como Top-Down se baseia em um modelo corporativo 
dos dados, onde são delimitadas e modeladasàs diversas áreas de assunto dentro de uma empresa, 
para se construir o seu primeiro DW integrando os dados e posteriormente desenvolvendo os Data 
Marts.
A abordagem Bottom-Up é um outro tipo de implementação, ou seja, os DMs são vistos como sendo 
independentes em relação ao DW, de forma que eles são desenvolvidos previamente como se fossem 
pequenos DMs do ponto de vista estrutural e depois integrados.
Ainda há uma abordagem de desenvolvimento híbrida, onde os DMs não necessitam esperar o DW 
ser completamente implementado para serem acessados, porém, seu desenvolvimento deve seguir 
o modelo de dados da organização que expressa à visão organizacional que existe nos diversos DMs 
a serem construídos. 
O modelo híbrido serve como um fundação para o desenvolvimento do DW garantindo que gaps 
de informação ou redundâncias sejam planejadas e catalogadas, ao passo que o projeto avança. Ele 
trata da necessidade que os usuários possuem por informação imediata ou em curto prazo, e que 
não pode esperar pela implementação completa de um DW e também do problema de crescimento 
não planejado da abordagem Bottom-Up. 
38
UNIDADE I │ APLICAÇÃO DO BI
Data Marts e a Data Warehouse Bus 
Architecture
O DWBA, ou Data Marts e a Data Warehouse Bus Architecture é uma abstração ou modelo que 
representa o conjunto de processos dos negócios conduzidos pela organização e é composto de 
definições padrões de tabelas fato e dimensões em conformidade. 
A ideia é de que um Data Mart trata os processos individuais do negócio e utiliza as tabelas fatos e 
dimensões apresentadas no modelo, conforme sua necessidade.
Os processos apresentados neste modelo, são as atividades que geram valor para a organização, 
logo, para descrever as propriedades dos processos e poder mensurá-los são desenvolvidos os Data 
Marts, um de cada vez, sendo que a união desses irá resultar no DW.
O Data Mart é composto de tabelas fato e dimensões, sendo que algumas destas dimensões podem 
ser necessárias em mais de um Data Mart para representar um processo.
As tabelas precisam ser compartilhadas e devem estar de acordo com as especificações do negocio. 
A tabela 5 representa um exemplo dessa relação entre processos e dimensões.
Tabela 5.
Processos do negócio Dimensões em conformidade
 Produto Vendedor Cliente
Vendas X X X
Estoque X
Entregas X X
 
Na analise de um ambiente corporativo para se construir um Data Mart se deve evitar a delimitação 
de barreiras entre os departamentos ou áreas da empresa, os Data Marts devem ser organizados 
baseados em processos do negócio, como pedidos, compras etc. como observado na tabela.
Os diversos setores do negócio da empresa devem, com uma certa frequência, analisar as métricas 
resultantes de cada processo de negócio, sendo assim, quando os Data Marts forem criados eles 
refletirão a realidade da utilização dos processos do negócio. Mesmo assim, poderão existir dados 
redundantes e a utilização de ferramentas de ETL desnecessariamente. 
Os Data Marts não representam somente dados sumarizados, eles possuem dados altamente 
granulares, ou seja, com muitos detalhes. 
As sumarizações dos Data Marts permitem uma melhor otimização de sua performance, mas não 
servem como substitutos dos detalhados que permitem que o Data Mart responda às requisições 
analíticas inesperadas dos usuários, que é a caracterização de uma flexibilidade. 
39
APLICAÇÃO DO BI │ UNIDADE I
Estrutura do Data Warehouse/Data Mart
Uma arquitetura de DW/DM é composta por diversas camadas que são: sistemas operacionais 
(transacionais), área de Staging de dados, área de apresentação de dados, e ferramentas de acessos 
aos dados, segue uma descrição resumida de cada uma delas:
 » Sistemas operacionais: são todos os ambientes externos ao DW, que servem 
como fontes de dados para extração e posterior carga no DW. Esses ambientes são 
compostos por sistemas “legados” ou transacionais, que armazenam os dados na 
forma mais primitiva (detalhada, precisa e não redundante). Estes sistemas, na 
maioria das vezes não foram projetados para ter seus dados integrados e cabe aos 
processos de ETL tratar os dados e integrá-los, esse procedimento é feito em uma 
camada da arquitetura do DW denominada de Data Staging Area (área de estágio 
de dados).
 » Data Staging Area: corresponde à área onde todos os dados provenientes dos 
sistemas operacionais são tratados para serem enviados à área de apresentação de 
dados.
A área de Staging possui os dados físicos, lógicos e administrativos separados a fim de evitar que o 
a equipe de ETL tenha que garantir a segurança de acesso ao nível de linha de código, por exemplo.
Na área de Staging são realizadas atividades que compõe o processo de ETL:
 » Extração: extrair os dados significa que a aplicação deverá ler e entender os 
dados para então colocá-los na área de estágio para maiores modificações como 
corrigir conflitos domínio, lidar com elementos ausentes, corrigir nomenclatura de 
elementos ou colocar os dados em um formato específico. Os dados não tratados 
são transferidos para armazenamento com um mínimo de reestruturação, porém 
sem que transformações significativas tenham ocorrido ainda. Dados dos sistemas 
legados (como por exemplo, XML) são transcritos para arquivos ou bases de dados 
relacionais nessa etapa. Esse baixo nível de transformações garante que o processo 
de extração seja rápido e simples e permite maior flexibilidade para reiniciar o 
processo caso haja alguma interrupção.
 » Limpeza: muitas vezes os dados dos sistemas de origem apresentam uma 
qualidade inferior ou não aceitável ao requerido pelo DW. Essa etapa é composta 
pelas atividades que garantem a qualidade dos dados extraídos, dentre elas:
 › checar a consistência de valores;
 › remover duplicações;
 › garantir conformidade com as regras de negócio.
 » Colocar dados em conformidade: conformidade dos dados é uma característica 
requerida quando diversas fontes de dados são “misturadas” em um DW. Queries 
40
UNIDADE I │ APLICAÇÃO DO BI
não podem acessar essas fontes separadas simultaneamente, ao menos que dados 
textuais possuam um nome comum ou dados referentes às mensurações numéricas 
tenham sido racionalizados matematicamente para que as diferenças existentes, 
ao se integrar os dados, não sejam discrepantes a ponto de invalidar a informação 
apresentada. Conformar os dados requer um padrão a nível corporativo a ser 
estabelecido e seguido a fim normalizá-los.
 » Entregar dados para o Front Room: o objetivo principal da área de staging, 
também citada por Kimball (2004) como “Back Room”, é deixar os dados preparados 
para a execução de queries. Segundo o produto final entregue pelos processos, são os 
dados estruturados fisicamente, de maneira “simétrica”, em esquemas dimensionais 
denominados esquemas estrela.
Estes esquemas dimensionais são requeridos por diversas ferramentas de análise de dados e 
são fundamentais para a construção de cubos OLAP, reduzindo o tempo de resposta das queries 
e simplificando o desenvolvimento da aplicação. O conjunto destes esquemas compõe a área de 
apresentação de dados.
Há uma discussão, quanto ao modo como os dados são armazenados na área de 
staging, que diz respeito à necessidade de usarem estruturas normalizadas dentro 
da área de staging do DW, seja ela proveniente da aplicação ou resultante de 
transformações.
Há ainda a ressalva de que estruturas normalizadas devem ser mantidas longe de queries (devido ao 
baixo desempenho resultante) e que a área de apresentação é estritamente dimensional.
A área de apresentação de dados nada mais é do que um DW/DM na visão dos usuários, ou seja, 
tudo que os usuários enxergam e conseguem acessar por meio das ferramentas de manipulação de 
dados.
Ambos os tipos de modelagem de dados, o dimensional e a 3FN podem ser representados em 
modelos ER, pois ambos são formados por tabelas relacionadas por Joins. 
O que os diferencia, no entanto, é o nível de normalização. Bancos de dados normalizados atendem 
muitobem as necessidades de sistemas transacionais, pois permitem que, por exemplo, uma 
atualização toque a base de dados em um único local. No entanto este tipo de modelagem já não é 
tão adequado ao DW, pois além de o esquema ter uma complexidade alta, SGDBs relacionais não 
conseguem executar queries eficientemente contra estruturas normalizadas, o que resulta em queda 
de desempenho.
Fatores fazem com que o uso de estruturas normalizadas contrarie o próprio sentido de existência do 
DW: alto desempenho de acesso aos dados de forma simples e intuitiva. Os objetivos da modelagem 
dimensional são então: 
41
APLICAÇÃO DO BI │ UNIDADE I
 » facilidade no entendimento do modelo;
 » resistência às mudanças; 
 » desempenho alto nas queries.
Modelagem dimensional
Ao visualizarmos a exibição dos dados na área de apresentação, estes normalmente estão 
estruturados de uma forma dimensional. Para que isso aconteça será necessária a utilização de 
técnicas de modelagem dimensional.
A modelagem dimensional é utilizada quando se necessita colocar o entendimento do modelo e seu 
desempenho como prioridades do design de um esquema de banco de dados. Ele é caracterizado por 
ser um modelo que acomoda mudanças com muita facilidade. 
Esse tipo de modelagem é adequado ao cenário do desenvolvimento de DW, pois, como na maioria 
das vezes os requisitos não são tão claros, existe a necessidade de se entender como o usuário (final) 
entende o negócio, para que a solução consiga efetivamente auxiliar na tomada das decisões.
O modelo dimensional também permite representar a visão do negócio que o usuário possui por 
meio da identificação de elementos familiares a ele, que se traduzem em métricas (ou mensurações) 
de processos organizacionais. Estas métricas são utilizadas pelos usuários em seu dia-a-dia, muitas 
vezes como indicadores de desempenho dos processos que são executados dentro das organizações. 
Quando se é analisado o desempenho, a modelagem dimensional fornece um modelo com poucas 
tabelas (muito menos que no modelo ER), desta forma os querys são executados de maneira mais 
eficiente por necessitarem de uma quantidade de joins menores.
Quando é relacionado à modelagem dimensional, com o nível de detalhamento das informações 
apresentadas por um Data Mart, o objetivo não é fornecer somente um conjunto de informações 
pré-sumarizadas, mas sim remetê-lo a uma baixa adaptabilidade a mudanças de requisitos (usuários 
confrontarem o DM com querys inesperadas), mas sim informações com alto detalhamento, 
complementadas por agregações que são realizadas na identificação das informações que o usuário 
necessita agrupar de forma frequente. Os principais componentes deste tipo de modelo são fatos, 
dimensões e atributos destas dimensões. 
A modelagem dimensional procura agrupar os fatos com o maior número de informações contextuais 
(dimensões) possíveis.
Fatos
As tabelas de representação de “fatos”, nada mais são do que mensurações de algum processo do 
negócio. Estes dados dão suporte às operações matemáticas utilizadas para análise e intercessão dos 
processos em si. 
42
UNIDADE I │ APLICAÇÃO DO BI
Esta intersecção de diversas métricas é utilizada na avaliação de determinados processos (ex.: 
quantidade vendida, quantidade produzida, local em que foi vendido) que resulta em uma lista de 
dimensões descritivas de cada processo.
Tabelas fatos são ricas em linhas, porém possuem poucas colunas, outra característica importante 
do modelo dimensional, que leva a necessidade de se agregar tais dados, diz respeito às tabelas 
fatos ocuparem aproximadamente 90% do tamanho de armazenamento, desta maneira, valores 
numéricos e aditivos são os mais úteis neste tipo de abordagem por serem facilmente manipulados. 
Os dados das tabelas de fatos podem ser caracterizados como: aditivos, semiaditivos e não aditivos.
Dimensões
As dimensões são descrições detalhadas de cada elemento da tabela de fatos (cada mensuração 
do processo). As tabelas são ricas em atributos (colunas) e conectada a tabela de fato por meio de 
chaves estrangeiras.
O poder de um DW está diretamente relacionado à profundidade de suas tabelas de dimensões.
Ao se identificar fatos e dimensões é necessário uni-los, o que resulta nos chamados esquemas 
estrela.
Esquemas Estrela
Ao definirmos quais serão as tabelas de fato e suas respectivas dimensões é necessário agrupá-las. A 
estrutura que possibilita este tipo de ligação recebe o nome de esquemas em estrela.
As tabelas de fato são muito maiores, ou condensam muito mais dados do que as tabelas de dimensão, 
o que leva a uma heterogeneidade implícita no modelo dimensional e por consequência isso pode 
caracterizar uma “desvantagem” ao se modelar os dados, tratando-se de data warehouses.
Esta forma de modelo é propícia quando se desenvolvem os Data Marts, pois estes são focados 
em requisitos do negócio de um departamento ou processo em particular, neste caso, assim que 
estes requisitos são determinados, uma estrutura em estrela é construída, e já esta otimizada para 
atender requisitos específicos. 
Os esquemas estrela podem ser enxergados como estruturas centralizadas por 
uma tabela fato que se liga a diversas tabelas de dimensões através de chaves 
estrangeiras. 
Para montar o esquema é necessário identificar os relacionamentos entre as tabelas dimensão e a de 
fato. É recomenda a utilização de chaves sintéticas (Surrogates Keys) a fim de substituir as chaves 
“naturais” ou provenientes dos sistemas de origem. 
43
APLICAÇÃO DO BI │ UNIDADE I
Essa prática consiste em colocar sequência numérica (inteiros) como identificador chave nas tabelas, 
para obter um maior desempenho ao se responder querys, tornar o modelo resistente a mudanças 
inerentes a chaves advindas dos dados dos sistemas transacionais e possibilitar uma integração de 
dados mesmo que estes possuam, originalmente, chaves pouco consistentes.
Data Mining
A Mineração de Dados ou Data Mining pode ser definida como um conjunto de técnicas automáticas 
de exploração de grandes massas de dados de forma a descobrir novos padrões e relações que, devido 
ao grande volume de dados, não seriam facilmente descobertas sem a utilização de ferramentas. 
Muitas são as técnicas utilizadas na mineração de dados ainda que ela seja mais uma arte do que 
uma ciência. O sentimento do especialista não pode ser dispensado, mesmo que as mais sofisticadas 
técnicas sejam utilizadas.
As técnicas de mineração de dados já são um pouco antigas, e nos últimos anos elas passaram a ser 
utilizadas como exploração de dados, por vários motivos: 
 » Os recursos computacionais estão cada vez mais potentes: a mineração 
de dados necessita de muitos recursos computacionais para conseguir que 
seus algoritmos manipulem grandes quantidades de dados. Devido aos 
avanços tecnológicos houve um aumento significativo no poder computacional, 
acompanhado da queda dos preços dos computadores. O avanço da área de banco de 
dados, também contribuiu bastante, a construção de bancos de dados distribuídos 
auxiliou, em muito, a mineração de dados;
 » A competitividade empresarial exige técnicas mais modernas de decisão: 
as empresas, principalmente da área de finanças e telecomunicações, sofrem a cada 
dia com a competição. Como estas empresas sempre detiveram em seus bancos de 
dados uma enorme quantidade de informação, é natural que a mineração de dados 
tenha se iniciado dentro de seus limites. 
 Atualmente, muitas outras empresas buscam adquirir dados para analisar melhor 
seus negócios por meio dos sistemas de apoio à decisão. Para as empresas do ramo 
de serviços, a aquisição de dados é um fator importantíssimo, pois elas precisam 
saber que serviço oferecer e para a quem.
 » Programas comerciais de mineração de dados já podem ser adquiridos: 
a maioria das empresas que trabalha com sistemas ERP e CRM já oferecem soluções 
de manipulação de banco de dados e mineração.
Fases da Mineração de Dados
Em 1996, três empresas se juntaram para criação de uma