136242202-Aulas-de-1-Analise-e-Modelagem-Multidimensional

Prévia do material em texto

Análise e Modelagem 
Multidimensional
Prof. Thiago Affonso de M. N. Viana 
tamnv@recife.ifpe.edu.br
 
Sistemas de Informação
 Sistemas
 Dado x Informação
 Sistemas de Informação
 Sistemas de apoio às operações
 Sistemas de apoio à gestão
 EDP, MIS, DSS
 Data Warehouse
 Modelagem Multidimensional
 
Sistemas
 “Um conjunto de elementos interdependentes 
em interação, com vistas a atingir um objetivo”. 
(Cautela & Polloni, 1986, p.15)
 “Qualquer conjunto de partes unidas entre si 
pode ser considerado um sistema, desde que as 
relações entre as partes e o comportamento do 
todo seja foco de atenção”. ( Chiavenato, TGA, 
p. 516)
 Elementos de um sistemas podem ser outros 
sistemas (subsistemas).
 
Sistemas
Exemplos de sistema:
 Automóvel
 Quais os objetivos ?
 Quais os subsistemas que compõem o sistema 
automóvel ?
 Computador
 Quais os objetivos?
 Quais os subsistemas que compõem o sistema 
computador?
 
Dado x Informação
 Dado é qualquer elemento identificado 
em sua forma bruta que por si só não 
conduz a uma compreensão de 
determinado fato ou situação.
 Informação é o dado trabalhado que 
permite a tomada de decisão.
 
Dado x Informação
Exemplo:
 Mede-se pressão arterial
 Qual é a tendência de saúde do cliente 
em função dos dados históricos de 
pressão arterial?
 
Dado x Informação
Exemplo:
 Exemplos de dados em uma empresa: 
quantidade de produção, custo da matéria-
prima, número de funcionários.
 Como resultado da análise de tais dados tem-
se a informação : capacidade de produção, 
custo de venda do produto, produtividade do 
funcionário.
 Como o executivo pode usar esta informação?
 
Dados x Informação
 Características da Informação:
 Clara
 Precisa
 Rápida
 Dirigida
 
Sistemas de Informação
 Sistemas de Informação (SI) são sistemas 
que permitem a coleta, o armazenamento, o 
processamento, a recuperação e a 
disseminação de informações. 
 SI são, hoje, quase sem exceção, baseados 
no computador e apóiam as funções 
operacionais, gerenciais e de tomada de 
decisão existentes na organização. 
 
Sistemas de Informação
 Os sistemas de informação podem ser 
classificados em dois grupos principais
 Sistemas de apoio às operações.
 Sistemas de apoio à gestão.
BIO (1996, p.34) :
 
Sistemas de apoio às operações
 Os “sistemas de apoio às operações” 
são tipicamente sistemas que processam 
transações , ou seja, são redes de 
procedimentos rotineiros que servem 
para o processamento de informações 
recorrentes. 
 
Sistemas de apoio às operações
 Sistemas de Informação Transacionais
 Exemplos: folha de pagamento, 
processamento de pedidos, compra 
 Sistemas para a tomada de decisões 
voltadas para a operação.
 Exemplos: planejamento e controle da 
produção, custos, contabilidade.
 
Sistemas de apoio à gestão
 Os " sistemas de apoio à gestão " 
existem especificamente para auxiliar 
processos decisórios.
 Exemplos: previsões de vendas, 
orçamentos, análises financeiras, etc. 
 
Processamento Eletrônico 
de Dados
 Desenvolvimento dos sistemas de 
informação computacionais em 
empresas:
 EDP: Eletronic Data Processing
 MIS: Management Information System
 DSS: Decision Suport System
SPRAGUE(1991, p.9) 
 
Processamento Eletrônico 
de Dados (EDP)
 Aplicado inicialmente aos níveis 
operacionais mais baixos da empresa no 
sentido de automatizar o trabalho.
 Características:
 Foco no armazenamento, processamento 
e fluxos de dados no nível operacional;
 Processamento de transações eficientes;
 Relatórios para gerenciamento.
 
Sistemas de Informação 
Gerenciais (MIS)
 Características:
 Foco sobre a informação, direcionando a 
gerentes de nível médio (tático);
 Integração de atividades de EDP por função 
comercial, tais como MIS para produção, 
MIS para marketing, MIS para pessoal, etc.;
 Geração de relatórios e consultas, 
normalmente com um banco de dados.
 
Sistemas de Suporte a 
Decisão (DSS)
 Um DSS tem seu foco num nível mais alto 
da organização (estratégico).
 Características:
 Foco sobre as decisões, voltado para 
gerentes de alto nível e para os 
responsáveis pela tomada de decisões;
 Ênfase na flexibilidade, adaptabilidade e 
capacidade de fornecer respostas rápidas;
 
Sistemas de Suporte a 
Decisão (SSD)
 Permitem armazenar e analisar grandes 
BD para extrair informações que auxiliam 
a compreensão do comportamento dos 
dados sobre o negócio.
 Fornecem apoio ao suporte estratégico de 
decisão.
 Consistem em sistemas computacionais 
de suporte à decisão que integram dados 
oriundos de diversas fontes de dados.
 
Suporte a Decisão x Operacional
 Operacional → orientado por transação
 Ex: o produto vendido, o artigo publicado, o 
imposto predial pago
 Decisão → orientado por assunto
 Ex: Vendas, Publicações de Artigos, 
Gerenciamento Urbano
 
Sistemas de Suporte a 
Decisão (SSD)
 Visualizar tendências:
 Sazonalidade de vendas de determinados 
produtos
 Regionalização de vendas
 Market Share
 
Sistemas de Suporte a 
Decisão (SSD)
 Análise de Dados
 Qual o desempenho dos nossos representantes em 
cada região?
 Para cada produto, qual o total de vendas no último 
ano?
 Como tem variado o índice de participação de cada 
produto em nossas vendas (Market Share) ao longo 
dos três últimos anos?
 Existe alguma relação entre o desempenho dos 
representantes e sua faixa de salário?
 
Suporte a Decisão
 Informações normalmente resultam de 
processamento de séries históricas de 
dados.
 Desafios:
 Grande quantidade de dados, acesso 
lento aos dados, aplicações de 
controle, ...
 
Sistemas de Suporte a 
Decisão (SSD)
 Dividir os dados em dois ambientes 
ortogonais
 Operacional (normalmente já existe)
 Estratégico (construir um DW)
 
Data Warehouse
 Definição
 DW é uma base de dados que facilita a 
execução de consultas de apoio à decisão 
(Bill Inmon) 
 Armazém de dado onde a história da 
empresa, seus clientes, fornecedores e 
operações estejam disponíveis e acessíveis 
para consultas e análises.
 
Data Warehouse
 Objetivos
 Fornecer uma imagem global da 
realidade do negócio.
 Exibir informações em níveis apropriados 
de detalhes (resumido ou detalhado).
 Otimizar o processamento de consultas 
complexas (Modelo Estrela ou Flocos 
de Neve).
 
Data Warehouse
 Diferente perspectiva para projetar 
sistemas
 Consistência entre dados não é mais a 
preocupação fundamental.
 O mais importante é que os dados 
estejam acessíveis para análise.
 Frequentemente são desnormalizados e 
sumarizados.
 
Data Warehouse
 Reduzir tempo gasto com obtenção e análise 
dos dados para tomada de decisão.
 Tornar tomada de decisão seja mais calculada 
e precisa.
 Enfim, fornecer informação de qualidade:
 Clara, Precisa, Rápida (Acessível), Dirigida
 
Modelagem Multidimensional
 Técnica desenvolvida para a obtenção de 
modelos de dados de simples entendimento e 
alta performance de acesso a dados.
 Data Warehouse é orientado somente para 
consulta de seus dados.
 Projeto de DW deve resultar num armazém de 
dados organizado e acessível.
 Informações necessárias à gestão e não ao 
controle dos negócios.
 
Exercício
 Que tipo de SI você desenvolveu no semestre 
anterior na disciplina LPOO I, DWEB II, ES I ? 
Identifique as características daquele S.I.
 Identifique informações úteis aos gerentes de 
alto nível da empresa.
 Discuta as dificuldades de fornecer estas 
informações a partir do banco de dados 
atualmente usado.
 
Análise e Modelagem 
Multidimensional
Ambiente de Data Warehouse
Prof. Thiago Affonso de M. N. Viana 
tamnv@recife.ifpe.edu.br
 
Características dos sistemas 
OLTP x OLAP
CARACTERISTICA OLTP OLAP
Operação típica Atualizações Consulta
Nível de requisitos 
analíticos
Baixo Alto
Quantidade de dados 
por transação
Pequena Grande
Época dos dados Atual Históricos
Orientação RegistrosAssunto
 
Por que OLTP não é adequado 
para análises complexas?
OLTP Análises Complexas
Informação para dar 
suporte a serviços do 
dia-a-dia.
Análise de informações 
históricas.
Dados armazenados 
em nível de 
transação.
Dados precisam ser 
integrados.
Projeto do Banco de 
Dados: Normalizado
Desnormalizado, 
esquema estrela.
 
Analisando dados de sistemas 
operacionais (transacionais)
Estruturas de dados complexas. 
Sistemas projetados para alta performance 
de processamento de transações e não 
para análise de informações.
Dados não representados de maneira 
significativa.
 
Analisando dados de sistemas 
operacionais (transacionais)
Dados dispersos.
Mesmos elementos de dados podem ser 
representado de modo diferente em cada 
sistema.
Processamento concorrente de transações 
e analítico degrada o desempenho dos 
sistemas.
 
Extração de Dados
Dados selecionados de um ambiente (operacional) e transportados 
para outro (decisão).
Usuários possuem seus próprios dados
Sistemas 
de Operações Extrações
Tomadores 
de decisão
 
Extração de Dados
Explosão de Extrações
Sistemas 
de Operações Extrações
Tomadores 
de decisão
 
Extração de Dados - Problemas
 Esforço duplicado.
 Não há base de tempo comum.
 Diferentes algoritmos de cálculos.
 Diferentes nomes dos campos de dados
 Diferentes significados dos campo de dados.
 Não há regras de correção de dados. 
 Ausência de capacidade de drill-down. 
 Relatórios produzem dados =/= informações.
 
Data Warehouses
 Confiável
 Informação de qualidade
 Única fonte de dados
 
Data Warehouse
DW é uma base de dados que facilita a 
execução de consultas de apoio à decisão 
(Bill Inmon) 
Uma base de dados de suporte a decisão 
mantida separadamente da base de dados 
operacional da organização.
 
Data Warehouse
Objetivos:
Fornecer uma imagem global da realidade do 
negócio.
Exibir informações em níveis apropriados de 
detalhes (resumido ou detalhado)
Otimizar o processamento de consultas 
complexas (Modelo Estrela ou Flocos de Neve)
 
Data Warehousing
Processo de fazer Data Warehouse.
Técnica para agrupar e gerenciar dados de várias fontes 
com o propósito de responder questões de negócio.
Construção do Data Warehouse exige:
• Levantamento de necessidades da empresa e seus 
executivos.
• Transferência e transformação dos dados existentes em 
sistemas corporativos.
 
Características do Ambiente de DW
 Extração de dados de fontes heterogêneas.
 Orientação por Assunto.
 Variação no Tempo.
 Não Volátil.
 Integração.
 
Fontes de Dados
Exemplos de fontes para um ambiente analítico de 
empresa aérea:
 Operações: Horários reais dos vôos, Escala de 
 Tripulação de cada vôo.
 Reserva: Agendas dos vôos, Reservas dos 
 Passageiros Calendário de feriados.
 Relacionamento com o cliente: Compensações por 
 atraso, Milhagem ganha.
 Informações técnicas: Tabela de milhagem entre 
 cidades, Tabela de ligações entre cidades.
 
Orientação por Assunto
 Informações agrupadas por assuntos de interesse da 
 empresa =/=
 Sistemas transacionais: orientados para as transações 
realizadas diariamente.
 Assuntos são os principais processos de negócio
 Mostra desempenho e possui indicadores de sua 
evolução
 No Data Warehouse somente interessam dados 
 importantes para a tomada de decisões.
 Sistemas transacionais: dados para fins de controle 
operacional.
 
Orientação por Assunto
Pedido, nota fiscal
Ordem de produção,
máquina
Falha, Produto
Vendas
Produção
Qualidade
 
Variação de Tempo
 Dados de um DW representam resultados operacionais 
 em determinado momento.
 Não podem ser atualizados. 
 DW: Guarda história da variação dos dados ao longo do 
 tempo.
 Ex.: Visualização de saldo bancário X Evolução dos 
saldos mensais durante um longo período.
 Horizonte de tempo dos sistemas DW é muito maior que o 
 dos sistemas transacionais
 30 – 90 dias X 5 a 10 anos.
 
Não Volátil
 DW tem duas operações básicas:
 Carga dos dados (inicial e incremental)
 Acesso aos dados em modo de leitura
 Não há preocupação com atualizações de 
registros, nem necessidade de bloqueio por 
concorrência de usuários no acesso.
UMA VIA
 
Integração
Dados em um DW possuem alto nível de 
integração.
 
Integração
Exemplo:
 Convenções de nomes e valores de variáveis 
 são formalmente unificados e integrados.
 
Arquitetura do Ambiente
 A arquitetura de um DW inclui:
 Estrutura de dados, mecanismos de 
comunicação, processamento e apresentação 
da informação para o usuário.
 As arquiteturas orientadas ao ambiente de 
 DW são constituídas por:
 Conjunto de ferramentas: Desde a carga inicial 
até o processamento de consultas.
 Repositório de dados: o Data Warehouse e os 
Data Marts.
 
Arquitetura do Ambiente
Ferramentas:
 Carga inicial e atualizações periódicas do DW.
 Extração dos dados de múltiplos sistemas 
transacionais e fontes externas.
 Limpeza, transformação e integração dos dados.
 Consultas orientadas para o usuário final:
 Elaboração de relatórios, análise de desempenho 
e mineração de dados.
 
Arquitetura do Ambiente
Repositórios:
Data Warehouse: 
Grande conjunto de todos os dados (armazém de dados).
Data Marts (DM): 
Prateleiras do armazém de dados. 
Repositórios menores, 
orientados a áreas específicas.
 
 
Arquitetura do Ambiente
 Componentes do ADW
 Papéis exercidos por pessoas.
 Processos / ferramentas
 Papéis:
 Responsáveis pela carga dos dados 
 Usuários finais 
 Responsáveis pelo desenvolvimento e manutenção do 
DW e dos DM: 
 DBAs e Das (muitas vezes o desenvolvedor 
mesmo).
 
Processos e ferramentas
 Os processos do ADW consistem
 na extração dos dados das diversas fontes, 
 na organização e integração destes dados de forma consistente 
para o DW,
 no acesso aos dados integrados de modo eficiente e flexível.
 Desenvolvimento de sistemas ou avaliação de 
ferramentas para extração de dados e atualização do 
DW.
 Filtragem, limpeza, sumarização e concentração dos dados 
espalhados pelas fontes externas e nos sistemas operativos.
 
Processos e ferramentas
 Ferramentas para pesquisa e relatórios.
 Ferramentas do tipo OLAP (On-line Analytical 
Processing).
 Sistemas de informações executivas
 Data Mining
 Permite ao usuário avaliar tendências e padrões não 
conhecidos entre os dados.
 Redes Neurais, algoritmos genéticos e lógica nebulosa.
 
ETL
Extract
 Extração de dados de fontes externas e 
ambientes operativos. 
Transform
 Transformação dos dados para melhor se 
adequar às necessidades do negócio.
Load
 Carregar os dados no data warehouse. 
 
Extração
 Projetos de Datawarehousing consolidam 
dados de diferentes fontes. 
 Cada fonte pode usar um formato de 
dados diferente. 
 Mais comuns são tabelas de um banco de 
dados relacional e arquivos texto (flat files).
 O processo de extração converte os dados 
em um formato para o processo de 
transformação.
 
Transformação
 Este processo aplica regras ou funções nos 
dados extraídos para transformá-los os dados a 
serem carregados no DW.
 Possíveis transformações são:
– Selecionar apenas algumas colunas 
para carregar.
– Traduzir valores codificados (e.x., se o 
sistema fonte armazena 1 para 
masculino e 2 para feminino, mas o DW 
armazena M e F).
 
Transformação
– Codificar valores “livres” (e.x., 
mapear "Masculino" e "M" em 1) 
– Obter um valor calculado (e.x., 
total_vendas = qtd * preco_unit) 
– Sumarizar múltiplas linhas de dados 
(e.x., total de vendas para cada 
região) . 
– Quebrar uma coluna em várias
 
Carga
 Carregar os dados, já transformados, no 
Data Warehouse.
 Mantendo a história dos dados.
 
Os Dados
 Os dados encontram-se em repositórios 
que constituem uma das principais 
preocupações de um ADW
 Apresentaremos três Repositórios:
ODS, DW, DM, BDs individuais ou cubos.
 O emprego ou não de qualquer um deles 
depende a arquitetura adotada.
 
Os Dados
 Os dados podem ser armazenados em 
diferentes níveis de agregação, como: 
dados detalhados, configurando o nível 
operacional, dados levemente sumarizados 
e dados altamente sumarizados. 
 O ADW pode apresentar os seguintes 
repositórios de dados:
 ODS, DW, DM, BD Individuais.
 
Operational Data Storage (ODS) 
ou Staging Area
Repositório de dados 
operacionais integrados.
 
Operational Data Storage (ODS)
 Consolidação de dados dispersos.
 Permite extrações em períodos fora de pico de operações.
 Pode ser usada para “limpar” dados “sujos”.
ODS
DW
Sistema de 
vendas
Sistema 
financeiro
Dados 
sincronizados
 
Operational Data Storage (ODS)
 Não é um componente indispensável em um 
ADW. Sua criação é uma decisão de projeto.
 Inicialmente temporário, informações 
correntes.
 DDS – Dynamic Data Storage
 Não volátil
 Alterações incrementais
 
Data Warehouse
 É a espinha dorsal deste ambiente. 
 Representa uma grande base de dados capaz 
de integrar, de forma concisa e confiável, as 
informações (antes espalhadas) de interesse 
para a empresa.
 Nem tudo que é gerencial deve estar em um 
Data Warehouse, somente informações em 
caráter histórico e estatístico.
 
Data Warehouse
Análise de comportamento
Tendências
Crescimento – Indicadores de Negócio
Ambiente 
Transacional
Acompanhamento de 
Campanha de vendas
 
Data Marts
 Subconjunto de dados do DW. 
 Dados do DM direcionados a um departamento 
ou uma área específica do negócio. 
 Normalmente, é modelado em um esquema 
estrela, de acordo com as necessidades 
específicas do usuário final.
 Possibilidade de retorno rápido ao usuário final.
 
BDs Individuais ou Cubos
 Permitem aos usuários armazenar, em caráter 
temporário, apenas dados de seu interesse,
 Reduzindo o escopo da informação e acelerando seu 
processamento.
 Normalmente são um subconjunto do DM.
 Destaque graças ao desenvolvimento de 
ferramentas OLAP para Desktop (DOLAP).
 
Arquiteturas de DW
 Em evolução
 Variedade de opções
 Analisar o problema para avaliar a 
arquitetura mais adequada.
 
Atividade
Uma empresa pretende construir um DW:
(Você pode escolher qualquer ramo, exemplos: hotel, 
supermercado).
 Identifique fontes de dados.
 Identifique assuntos de interesse para tomada de decisão.
 Dê pelo menos dois exemplos de transformações nos dados.
 Uma ODS seria necessário neste ambiente? Justifique.
 Dê dois exemplos de tendências a serem analisadas com 
informações do DW.
 Dê um exemplo de análise que deve ser feita por uma aplicação 
específica do ambiente transacional (e não no ambiente do DW).
 Identifique DMs para o Ambiente de DW em questão.
 
Análise e Modelagem 
Multidimensional
Arquiteturas de Data 
Warehouse
Prof. Thiago Affonso de M. N. Viana 
tamnv@recife.ifpe.edu.br
 
Granularidade de Dados
 Nível de sumarização dos elementos e de detalhes 
 disponíveis nos dados.
 Importante aspecto do projeto de DW.
 Afeta volume de dados e tipos de consulta.
 Quanto maior o volume menor a performance.
 Exemplo:
Data
Hora
Vendedor
Valor
Mês
Vendedor
Valor
50 registros/mês 1 registro/mês
 
Granularidade de Dados
 Alto nível de detalhes → Baixo nível de 
granularidade.
 Mais baixo nível de granularidade: Sistemas de 
transações.
 Exemplo:
 Granularidade para vendas:
 Mês, semana, dia
 Período de Natal, Período de Páscoa
 
Granularidade de Dados
 Não se refere apenas ao agrupamento de dados 
no tempo.
 Outras formas de agrupar informações:
 Local: região, estado, cidade
 Produto: marca, produto
 
Granularidade de Dados
Do ponto de vista dos negócios... 
1. Interessaria para o gerente analisar a evolução das 
vendas no dia 5 de cada mês nos últimos 5 anos?
2. E analisar o comportamento das vendas no mês de 
Dezembro nos últimos 5 anos?
3. Analisar a evolução das vendas de cada exemplar de 
um livro ou do de todos os exemplares? 
4. Analisar a evolução das vendas em cada loja ou nas 
lojas de uma região?
 
Arquiteturas de DW
 Tipos de Arquitetura
 Arquitetura Global
 Arquitetura de DMs Independentes
 Arquitetura de DMs Integrados
 Abordagens de Implementação
 Top Down
 Bottom Up
 Combinada
 
Arquitetura Global
Arquitetura
 Determina o local onde o Data Warehouse, ou Data 
Marts, residem.
Arquitetura Global:
 Global: Escopo de acesso das informações 
(≠Centralizada)
 Disponível para toda a empresa.
 Pode ser fisicamente centralizada ou distribuída.
 Arquitetura de integração
 
Arquitetura Global
 Trata a empresa como um todo
 Visão corporativa de dados
 Menor redundância de dados
 Maior integração e consistência.
 Manutenção mais fácil
 Altíssimo tempo de desenvolvimento
 
Arquitetura de Data Marts 
Independente
 Cada departamento constrói e gerencia o seu Data Mart.
 Data Marts atendem necessidades específicas de 
departamentos.
 Não há foco corporativo (visão global).
 Maior redundância.
 Menor integração.
 Consultas mais limitadas.
 Tempo menor de desenvolvimento. 
 Realidade Atual.
 
Arquitetura de Data Marts 
Integrados
 Data Marts implementados separadamente, mas 
são integrados/ interconectados.
 Dados comuns a vários Data Marts podem ser 
compartilhados.
 Mais complexo que DMs independentes.
 Possibilita visão corporativa .
 Solução intermediária entre Arquitetura Global e de 
DMs independentes
 
Abordagens de Implementação
Como o DW será desenvolvido
Padrão inicial
 
Abordagens de 
Implementação: Top Down
 A partir do DW são extraídos dados para os Data Marts
 Informações dos Data Marts:
 Maior nível de sumarização
 Menor nível no histórico do DW
 Vantagens da Abordagem Top Down
 Visão corporativa
 Repositório de metadados centralizado e simples
 Controle e centralização de regras
 
Abordagens de 
Implementação: Top Down
 Desvantagens:
 Alta taxa de risco
 Politicamente difícil de ser definida
 Implementação Longa
 Expectativa relacionadas ao ambiente
 
Abordagens de 
Implementação: Bottom­up
 Construção de um DW incremental a partir do 
desenvolvimento de DMs independentes
 
Abordagens de 
Implementação: Bottom­up
 Avaliação de ferramentas e tecnologias só deve 
ser realizada uma vez.
 Vantagens:
 Implementação rápida
 Retorno rápido
 Enfoque da equipe (desenvolvimento por áreas 
de interesse).
 
Abordagens de 
Implementação: Bottom­up
 Desvantagens:
 Não há garantias de padrões únicos de 
metadados.
 Podem ocorrer redundâncias de dados e 
inconsistências entre Data Marts.
 Extração de dados para múltiplos Data Marts é 
crítico na interferência junto aos sistemas 
transacionais.
 Desfio de possuir a visão corporativa.
 
Abordagem Bottom Up
 Muitas das novas abordagens propostas, baseiam-
se na arquitetura "bottom-up". 
 Objetivos: 
 Otimizar o processo de desenvolvimento.
 Garantir a consistência dos metadados e 
facilidade de integração do ambiente.
 Exemplos:
 Enterprise Data Mart Architecture (EDMA)
 Data Storage/Data Mart (DS/DM)
 
Abordagem Bottom Up
Enterprise Data Mart Architecture (EDMA)
 Garantir uma padronização dos metadados utilizados na 
construção do ambiente, permitindo o desenvolvimento 
incremental do DW, com margens mínimas de duplicidade 
e inconsistência de informações. 
 Introduz o DDS (substituindo o conceito do ODS original). 
 
Abordagem Bottom Up
Enterprise Data Mart Architecture (EDMA)
 
Abordagem Bottom Up
Data Storage/Data Mart (DS/DM)
 Similar à arquitetura EDMA, entretanto ela substitui 
o DW por uma visão que representa uma 
conjunção lógica de DM. 
 
Abordagem Combinada
 Planejamento Top-down
 Desenvolvimento Bottom-up
 Um DM de cada vez, escolhido por área de 
interesse.
 Coerência entre vários Data Marts.
 Modelo de dadosúnico.
 
Análise e Modelagem 
Multidimensional
Modelagem de Dados para 
Data Warehouse
Prof. Thiago Affonso de M. N. Viana 
tamnv@recife.ifpe.edu.br
 
Por que modelagem?
 Modelo: abstração do mundo real.
 Modelar: Forma de visualizar o que se deseja 
realizar.
 O mesmo vale para modelagem de dados
 
Abordagens diferentes de 
modelagem
 Diferentes técnicas para modelagem de dados:
 Diagrama ER:
 Análise de requisitos de negócio.
 Desenho de uma estrutura de dados.
 Modelagem multidimensional
 Visualização de questões abstratas – requisitos 
dos usuários de negócio.
 Exige nível de abstração superior ao utilizado em 
modelo de dados transacionais.
 
Abordagens diferentes de 
modelagem
Operacionalização do negócio vs.
Gestão do negócio.
 Exemplo de negócio residência:
 Como está a evolução das despesas durante o ano?
 Controlar despesas com relação ao orçamento do 
mês.
 Saber quais produtos ou serviços estão relacionados 
com estas despesas.
 Como está a relação percentual da despesa por tipo 
de gasto em relação ao orçamento?
 
Abordagens diferentes de 
modelagem
 
 Porque não mover o modelo de dados transacional 
para um banco de dados separado, inserindo 
dados históricos?
 - Complexidade de consultas ad-hoc.
 - Desempenho (joins de tabelas)
 
Modelagem ER ­ Conceitos 
Básicos
Entidades Relacionamentos
Atributos Integridade
 
Modelagem Multidimensional
 Mais simples e fácil de entender que modelagem 
ER
 Conceito relativamente novo
 Modelo Multidimensional:
 Fatos
 Dimensões 
 Medidas
 
Fatos
 Representa um item, uma transação ou um evento 
de negócio.
 Usado para analisar o processo de negócio de uma 
empresa.
 Reflete a evolução dos negócios do dia a dia de 
uma organização.
 Representado por valores numéricos.
 
Dimensões
 São os elementos que participam de um fato.
 São as possíveis formas de visualizar os dados 
(“por”):
 Por mês, por país, por produto, por região, etc.
 Hierarquia de Dimensões
 Classificação de dados dentro de uma 
dimensão
 Dimensão tempo: Ano, Trimestre, Mês, Dia.
 
Dimensões
Exemplo: 
 Fato: vendas de produtos.
 Dimensões:
 Tempo
 Localização
 Clientes
 Vendedores
 
Medidas (Variáveis)
 São os atributos numéricos que representam um 
fato.
 Performance de um indicador de negócios relativo 
às dimensões que participam deste fato.
 
Medidas (Variáveis)
Exemplo:
 Fato: vendas de produtos.
 Dimensões: Tempo, Localização, Clientes, 
Vendedores.
 Medidas:
 Valor reais em vendas
 Número de unidade de produto vendidas
 Quantidade em estoque
 
Medidas
 Determinada pela combinação das dimensões que 
participam de um fato.
 Atributos de um fato.
 
Visualização de um modelo 
multidimensional
Cubo:
 Usado para visualizar um modelo dimensional.
 Hipercubo (difícil visualização)
 
Visualização de um modelo 
multidimensional
Fato?
Dimensões?
Hierarquias?
Medidas?
Localização
Produto
Tempo
11 21 38
354322
41 45 56
A B C
NOKIA LG
Recife
São Lourenço
João Pessoa
PE
PB
 
Visualização de um modelo 
multidimensional
 Medida: volume de 
vendas
 
 Determinado pela 
combinação de três 
dimensões.
 
 Dimensões 
localização e 
produtos possuem 
dois níveis de 
hierarquia
Localização
Produto
Tempo
11 21 38
354322
41 45 56
A B C
NOKIA LG
Recife
São Lourenço
João Pessoa
PE
PB
 
Visualização de um modelo 
multidimensional
Cubo
 Metáfora
 Pode-se ter 2,3,4..., n números de dimensões
 
Visualização de um modelo 
multidimensional
 
Modelo Estrela
 Estrutura básica de um modelo de dados 
multidimensional.
 Composição
 Fato (entidade central) – Tabelas de Fato
 Dimensões (entidades menores) – Tabelas de 
Dimensão
 
Modelo Estrela
 Elemento Central: Fato Vendas
 Dimensões ao redor
 Diagramação padrão
 Relacionamentos
 Um para muitos no sentido da dimensão para o 
fato
 
Modelo Floco de Neve
 Decomposição de dimensões que possuem 
hierarquias entre seus membros.
 Relacionamentos muitos para um entre entidades 
dimensões.
 Resultado da terceira forma normal sobre as 
entidades dimensão.
 
Modelo Floco de Neve
 
Modelo Floco de Neve
 Evita redundância de valores em uma tabela.
 Lembrar que:
 A prioridade não é economia de espaço
 Informação rápida
 
Análise e Modelagem 
Multidimensional
Fatos
Prof. Thiago Affonso de M. N. Viana 
tamnv@recife.ifpe.edu.br
 
Modelo Multidimensional
 Elementos Básicos:
 Fatos
 Dimensões
 Medidas
 
Fatos
Que tipo de informações são armazenadas em 
um DW?
 
 Informações sobre notas fiscais?
 
 Qual o assunto das notas fiscais?
 
Fatos
 Tudo que pode ter importância para tomarmos 
decisões na vida.
 Assunto sobre o qual necessitamos possuir 
informações históricas para compreender seu 
comportamento e tomar decisões sobre ele.
 Identificar Fatos:
 Ponto delicado em um projeto de DW.
 
Fatos
Características:
 Podem ser representados por um valor aditivo 
(numérico)
 Métricas ou Medidas.
 São evolutivos:
 Sua medida varia com o tempo
 Seu histórico é mantido e cresce com o tempo.
 
Fatos
“O índice de aprovação escolar na cadeira de 
Banco de Dados vem diminuindo nos últimos 
dois anos”
 De que Fato se trata?
 Representado por valores numéricos?
 Varia com o tempo?
 Possui histórico?
 
Fatos
Curso Alunos AP %AP Alunos AP %AP Alunos AP %AP
BD 50 41 0,82 45 35 0,78 50 35 0,7
Redes 45 40 0,89 55 42 0,76 45 42 0,93
LPOO 48 37 0,77 50 37 0,74 48 40 0,83
2005 2006 2007
Curso Alunos AP %AP Alunos AP %AP Alunos AP %AP
BD 5 0 0,0 12 1 0,08 12 3 0,25
Redes 13 7 0,53 11 6 0,54 5 4 0,80
LPOO 4 1 0,25 3 0 0,0 4 4 1,00
2009 2010 2011.1
 
Fatos
“O consumo de bebidas alcoólicas aumentou no Brasil 
entre 2009 e 2010”
“O índices de criminalidade aumentaram no ano atual 
50% sobre os últimos dois anos”
 Observe: Índices dão a ideia de se tratar de 
conjuntos de medidas de alguma coisa.
 
Identificando fatos
 Quando entrevistamos um executivo suas 
necessidades não aparecem sob a forma de um 
modelo de dados.
 Entretanto eles são muito objetivos quanto aos 
indicadores de negócio.
 Vamos buscar identificar os fatos do negócio.
 Só então poderemos projetar algo sensato para um 
DM/ DW.
 
Identificando fatos
“Qual a participação dos clientes da região sudeste 
em nosso mix de vendas?”
“Qual a performance de nossos representantes em 
cada região?”
“Precisamos saber qual o índice de participação de 
cada produto nas nossas vendas, o product share”.
 
Identificando fatos
 O que é o fato?
 O que varia ao longo do tempo?
 O que possui valor numérico relativo a períodos 
de tempo?
 Sobre o que podemos manter dados históricos 
com o passar do tempo?
 
Identificando fatos
 O que é o fato?
 O que varia ao longo do tempo?
 O que possui valor numérico relativo a períodos 
de tempo?
 Sobre o que podemos manter dados históricos 
com o passar do tempo?
 VENDAS
 
Identificando fatos
 O que vem a ser considerada a “participação dos 
clientes na região sudeste”?
 Performance dos representantes seria um fato?
 
Identificando fatos
 Indicadores numéricos obtido a partir de um 
conjunto de valores.
Exemplos??
 
Identificando fatos
 Em modelagem ER tradicional:
 Verbos: Relacionamento
 Nomes: Entidades
 E em modelagem multidimensional? O que 
identifica um fato?
 
Identificando fatos
 Em modelagem ER tradicional:
 Verbos: Relacionamento
 Nomes: Entidades
 E em modelagem multidimensional? O que 
identifica um fato?
 Indicadores matemáticos:
• Participação, Performance, Evolução, Índice
 
Exercício 1
Identifique o fato e justifique sua resposta:
“Um programa exemplar faz do RS campeão em 
transplantes múltiplos de órgãos. Cerca de90% dos 
transplantes realizados no ano passado foram múltiplos. 
Em SP, 70% dos transplantes são realizados desta 
forma. No RJ, metade dos transplantes entram nesta 
categoria. Apenas nos dois primeiros meses deste ano 
quinze doadores permitiram que 46 pessoas 
continuassem vivendo”
 
Exercício 2
 Busque na Internet, ou em jornais e revistas duas 
reportagens que permitam identificar fatos em 
determinados contextos.
 
Análise e Modelagem 
Multidimensional
Dimensões e Medidas
Prof. Thiago Affonso de M. N. Viana 
tamnv@recife.ifpe.edu.br
 
Dimensões 
 São os elementos, entidades, que participam de um 
fato.
 O “por” dos dados.
 Considere o fato Compras em uma organização. Quais 
são os elementos participantes deste fato?
 Aplicação dos quatro pontos cardeais:
 Quando a compra foi realizada.
 Onde foi realizada.
 Quem realizou.
 O que foi comprado.
 
Dimensões
 Identificamos então quatro dimensões envolvidas 
nesse fato
Onde?
Quem?
Quando?
O que?
Compra
 
Dimensões 
 Por meio do arranjo das dimensões pode­se 
analisar as informações sob diferentes 
perspectivas.
 Ex.: Quanto o comprador Felipe comprou de 
produtos do tipo calçado em Setembro de 2009 
nas lojas Tamanco de Ouro?
 Dimensões de análise: quem, quando, o que, onde.
 
Esquema Estrela
 Um DM é modelado para ambientes de bancos de 
dados relacionais.
 Esquema Estrela: A modelagem conceitual dos 
fatos é o principal elemento de desenvolvimento de 
um DM/ DW.
 Conjunto de entidades Relacionadas.
 As tabelas possuem atributos de identificação e 
que estabelecem o relacionamento entre elas, 
as chaves estrangeiras.
 
Esquema Estrela
 A tabela fato é um grande relacionamento muitos 
para muitos.
 Aplicação de atributos às tabelas permite visualizar 
um esquema estrela mais delineado.
 
Dimensão Tempo
 Está presente em qualquer DM/ DW.
 A dimensão tempo é uma hierarquia de espaços de 
tempo. Ex:
 Ano → Trimestre → Mês → Semana → Dia
 Análise dos fatos são feitas sobre transações em um 
espaço de tempo definido como grão de análise.
 Grão de análise é a unidade de tempo na qual os dados 
estão armazenados e podem ser sumarizados.
 
Dimensão Tempo
 Exemplo: Dados agrupados por semana
 Compras realizadas diariamente, porém o menor 
grão de análise são compras semanais.
 Valores são agregados hierarquicamente de 
semana até ano:
 Mês = conjunto de semanas
 Trimestre = conjunto de meses
 Ano = conjunto de trimestres
 
Dimensão Onde
“Competição de programação no Rio de Janeiro 
marcado para as 10:00h. Quando faltavam 5 
minutos para as 11:00h um locutor anunciou que 
as provas começariam dali a 15 minutos”.
 Onde?
 Rio de Janeiro
 
Dimensão Onde
“Posse de Armínio Fraga no Banco Central agendada 
para as 14:00h em Brasília. A cerimônia começou as 14:40h 
porque o 
Ministro da Fazenda custou a chegar”
 Onde?
 Brasília
 Banco Central 
 Duas ocorrências da mesma entidade ou duas entidades 
Onde?
 
Dimensão Onde
“Posse de Armínio Fraga no Banco Central agendada 
para as 14:00h em Brasília. A cerimônia começou as 14:40h porque o 
Ministro da Fazenda custou a chegar”
 Onde?
 Brasília
 Banco Central 
 Duas ocorrências da mesma entidade ou duas entidades Onde?
 Pode existir mais de uma dimensão relativa a um ponto cardeal
 
Atributos de Dimensão
Voltando ao fato compras
 
Atributos de Dimensão
 Quais seriam os atributos da dimensão 
fornecedor?
 Nome do fornecedor
 Área do fornecedor
 Código do fornecedor
 Qual a chave primária do fornecedor no modelo do 
ambiente transacional?
 E no Data Mart?
 
Atributos de Dimensão
 Código do fornecedor é mantido como um atributo 
da dimensão. Utilizaremos outra chave primária 
para o DM.
 Por quê?
 
Atributos de Dimensão
 Código do fornecedor é mantido como um atributo 
da dimensão. Utilizaremos outra chave primária 
para o DM.
 Por quê?
 Manter as informações históricas.
 
Atributos de Dimensão
 O que aconteceria se o fornecedor X mudasse para a 
área 3?
 Histórico do fornecedor não muda.
 E o histórico das áreas?
 Solução: inserir uma nova ocorrência de fornecedor, com 
uma nova área.
 Nova ocorrência no Data Mart tem chave primária 
diferente.
 O atributo referente à chave do ambiente transacional 
(Código_fornecedor) é o mesmo.
 
Dimensões
 Eliminando o problema de mudança de área do 
fornecedor.
Chave Tempo
Chave Comprador
Tempo
Comprador
Chave Produto
Produto
Chave Área
Área
Chave Fornecedor
Fornecedor
Chave Fornecedor
Chave Tempo
Chave Comprador
Chave Área
Chave Produto
Compra
 
Dimensões
No ambiente transacional:
 Relacionamento garante integridade.
 No DM: entidade área e fornecedor não estão 
relacionadas.
 E a integridade?
Código Fornecedor
Código Área (FK)
Nome Fornecedor
Código Área
Nome Área
N
1
 
Atributos de Dimensão
Atributos da dimensão tempo:
Chave Tempo
Ano
Trimestre
Mês
Chave Comprador
Tempo
Comprador
Chave Produto
Produto
Chave Área
Área
Chave Fornecedor
Fornecedor
Chave Fornecedor
Chave Tempo
Chave Comprador
Chave Área
Chave Produto
Compra
 
Dimensões e Hierarquias
 Quando carregamos dados para os fato compra as 
transações são agrupadas pela granularidade 
mínima de tempo.
 Roteiro:
 Agrupar registros por mês
 Identificar o mês na tabela tempo
 Obter a chave de tempo
 Usar a chave de tempo na gravação de um 
registro do fato.
 
Dimensões e Hierarquias
 Informações são organizadas 
hierarquicamente para fins de análise.
 
 Exemplo: Informações sobre produtos de 
uma empresa farmacêutica.
Como fica o modelo de dados?
Classe Terapêutica
Familia
Sub Familia
Apresentação
Produto
 
Modelo Floco de Neve
 Modelo Floco de Neve (SnowFlake):
 Dimensão Produto Normalizada
 Entidades encadeadas 
Classe Terapêutica Familia Sub Familia Apresentação
Produto
Vendedor
Tempo
Vendas
 
Modelo Floco de Neve
 Modelo Floco de Neve:
 Fácil de entender.
 Para totalizar os valores é preciso realizar um 
join entre as seis tabelas realizar cálculos de 
totalização dos valores.
 Não é a melhor solução em termos de 
performance das consultas.
 
Modelo Estrela
Classe Terapêutica Familia Sub Familia Apresentação
Produto
Vendedor
Tempo
Vendas
 
Modelo Estrela
 Muito usado na prática
 
 Acesso direto entre a entidade da hierarquia e o 
fato, com simples seleção de dados e 
acumuladores de valores.
 
Dimesões e Hierarquias
 Hierarquias múltiplas
 Exemplo: Produtos de um supermercado podem 
ser classificados em categorias: Alimento, Material 
de Limpeza, etc.
 Alimentos podem ter subcategorias.
 Perecíveis, Não perecíveis
 Dietéticos, Não dietéticos
 
Medidas
 Data Marts são usados para consultar dados 
históricos sumarizados por períodos de tempo, e 
as mais variadas combinações de classificação de 
uma informação.
 Normalmente se deseja ver a evolução ou não de 
valores numéricos, em um espaço de tempo.
 Medidas
 
Medidas
“Os índices de criminalidade aumentaram no ano de 
1999, 50% sobre os dois anos anteriores”
 Índice: valor obtido sobre valores numéricos de 
ocorrência de um fato.
 
Tipos de Medidas
 Valores Aditivos
 Podem ser aplicadas operações como soma, 
subtração e média sobre estes valores.
 Valores Não Aditivos
 Não podem ser manipulados livremente.
 Percentuais ou valores relativos
 Operações matemáticas com valores aditivos 
permitem a obtenção de valores não aditivos
 
Tipos de Medidas
 Manter valores não aditivos ou apenas aditivos na tabela 
de fatos?
– Geração de muitas colunas VS Performance.
 Valores semi­aditivos:
 Possuem contagem dupla
 Ex.: Controle de estoque totaliza mensalmente os 
produtos estocados.
 Produto pode permanecer em estoque durante dois 
meses: Novembro e Dezembro de 2009. 
 Soma dos totais em estoque em mais de um período 
contabilizariamais de uma vez os mesmos itens de 
estoque.
 
Hierarquias de Medidas
 Uma determinada medida pode possuir uma hierarquia de composição de 
seu valor.
 Ex.: Valor das Receitas é uma medida composta de outras e que pode 
compor outras.
1. Receita Bruta = Valor de Venda – Custo de Venda
2. Lucro antes dos impostos = Receita Bruta – Despesas Corporativas
3. Lucro Líquido = Lucro antes dos impostos – (Lucro antes dos impostos * 3%)
 
 
 
Hierarquias de Medidas
 Observe: impostos também é uma fórmula, mas é 
uma fórmula não hierárquica, ou seja, não aplica 
operador sobre outro nível hierárquico
 
Hierarquias de Medidas
 Medidas existem em função de dimensões que 
participam de um fato.
 Vamos considerar a dimensão produto.
 Cada valor das medidas está associado a um 
produto.
 Temos o produto participando do fato e os valores 
das medidas que aparecem no problema.
 
Hierarquias de Medidas
 Product Share: participação de um produto no total 
de vendas da empresa.
– Product Share = 100 * (Lucro Líquido 
(Produto) / Lucro Líquido)
 
Hierarquias de Medidas
 É obtida a partir de uma operação sobre Lucro Líquido
 Não está associada hierarquicamente com nenhuma outra medida
 Mesmo nível hierárquico que Lucro Líquido.
 
Hierarquias de Medidas
 Até aqui vinculamos as medidas do fato vendas 
apenas a uma dimensão (produto).
 Vamos adicionar uma nova dimensão: região.
 É preciso conhecer os valores relativos a venda 
por regionais de operação.
 Até aqui consideramos as despesas como um 
todo, corporativas.
 
Hierarquias de Medidas
 
Hierarquias de Medidas
 Colocar medidas na entidade fato.
 Manter todos os atributos na entidade?
 Manter apenas os necessários para os cálculos?
 Discutível...
 
Atributos de um Fato
 Os atributos identificados são todos relativos ao 
fato venda?
 O usuário consegue montar uma planilha com 
estes dados?
 Se sim, os atributos são relativos ao fato
Chave Produto
Chave Região
Impostos
Venda Bruta
Custo de Venda
Despesa Corporativa
Despesa Marketing
Despesa Administrativa
Despesa Compras
Despesa Outras
Chave Região
Nome Região
Chave Produto
Descrição Produto
1
*
*
1
 
Análise e Modelagem 
Multidimensional
Modelagem de um DW 
- 
Exemplo
Prof. Thiago Affonso de M. N. Viana 
tamnv@recife.ifpe.edu.br
 
 
O sistema transacional
 Controla filmes por sala de cinema onde são 
exibidos, tendo informações sobre a capacidade de 
lotação de cada sala, localização regional no país, 
assim como os registros de bilheteria de cada 
sessão diária de cinema.
 
As necessidade executivas
 Acompanhar a evolução do público e o valor 
arrecadado em cada região do país, estado e 
cidade, classificados por gênero de filme e sala de 
cinema.
 Avaliar a evolução de filmes por ator participante, 
assim como por diretor.
 Quais diretores atraem o maior público e em que 
gênero está este público.
 Quais períodos do ano possuem maior público por 
gênero, ator e diretor, e geograficamente.
 
Identificando o fato
“Acompanhar a evolução do público e o valor 
arrecadado em cada região do país, estado e 
cidade, classificados por gênero de filme e sala de 
cinema.” 
Quem tem público?
Quem tem valor arrecadado?
 
Identificando o fato
“Acompanhar a evolução do público e o valor 
arrecadado em cada região do país, estado e 
cidade, classificados por gênero de filme e sala de 
cinema.” 
Quem tem público?
Quem tem valor arrecadado?
EXIBIÇÃO DE FILME
 
Identificando o fato
 Em geral, fatos correspondem a relacionamento 
muito para muitos no modelo de dados 
transacional
Exibição_de_Filmes
Onde?
Quando? O que?
Quem?
 
Medidas
 Quais as medidas do fato?
 Quem são os valores numéricos de avaliação 
do fato?
“Acompanhar a evolução do público e o valor 
arrecadado em cada região do país, estado e 
cidade, classificados por gênero de filme e sala de 
cinema.”
 
Dimensões
Onde o filme é exibido?
“Acompanhar a evolução do público e o valor 
arrecadado em cada região do país, estado e 
cidade, classificados por gênero de filme e sala de 
cinema.”
 
Duas dimensões relativas ao ponto cardeal onde.
 
Dimensões
O quê é exibido?
“Acompanhar a evolução do público e o valor 
arrecadado em cada região do país, estado e 
cidade, classificados por gênero de filme e sala de 
cinema”
Filme, Agrupados por gênero
 
Dimensões
Quem participa do filme exibido?
“Avaliar a evolução de filmes por ator participante, 
assim como por diretor.”
 
Dimensões
Quando?
Hierarquia de tempo:
 ano – trimestre – mês – data 
 
Modelo Estrela
Exibição_de_Filmes
Numero_de_pessoas
Valor_arrecadado
Chave_Tempo
Ano
Trimestre
Mes
Periodo
Dia
Chave_Cidade
Regiao
Estado
Cidade
Chave_Sala
Nome_Sala
Chave_Diretor
Nome_Diretor
Chave_Ator
Nome_Ator
Chave_Genero
Descricao
 
Modelo Estrela
Exibição_de_Filmes
Chave_Tempo(FK)
Chave_Cidade(FK)
Chave_Sala(FK)
Chave_Diretor(FK)
Chave_Ator(FK)
Chave_Genero(FK)
Chave_Genero
Descricao
Chave_Ator
Nome_Ator
Numero_de_pessoas
Valor_arrecadado
Chave_Tempo
Ano
Trimestre
Mes
Periodo
Dia
Chave_Cidade
Regiao
Estado
Cidade
Chave_Sala
Nome_Sala
Chave_Diretor
Nome_Diretor
Chave_Ator
Nome_Ator
Chave_Genero
Descricao
 
Sistema Transacional
 Sistema usado até o presente momento pela 
instituição, que cadastra os docentes, alunos e 
gerenciam as suas notas, freqüências e matriculas. 
Há ainda dados em cada gerencia acadêmica 
referente a protocolos e entradas extras que 
alunos podem vir a requisitar como casos 
extraordinários.
 
As necessidade executivas
 A produtividade de cada professor ao longo de vários períodos. A 
produtividade é descrita da seguinte maneira:
 (a) N° de alunos matriculados em disciplinas do professor por período 
acadêmico
 (b) N° de alunos aprovados / N° total de alunos
 A produtividade de cada departamento: média da produtividade dos 
seus professores.
 O ranking dos professores mais produtivos período a período, por 
curso e por departamento.
 Produtividade disciplinas teóricas versus disciplinas práticas
 
Esquema ER
Disciplina: Código, Nome, No_creditos, Natureza {teoria, prática}
Professor: Matrícula, Nome, Titulação, Endereço
Aluno: Matrícula, Nome, Estado_civil, Sexo, Ano_ingresso
Curso: Código, Descrição, No_créditos, Duração_normal
Turma: Ano, Período, Sala
Departamento: Código, Nome
 
Esquema Estrela??
Fato?
Dimensão Onde?
Dimensão O que?
Dimensão Quem?
Dimensão Quando?
 
Esquema Estrela??
Fato? Produção escolar
Dimensão Onde? Curso, Departamento
Dimensão O que? Disciplina
Dimensão Quem? Professor
Dimensão Quando? Tempo – Ano/Periodo
 
Modelo Multidimensional
 
Ambientes para AMM
● ROLAP: Modelagem multidimensional, ambiente 
transacional, consultas analíticas através de SQL 
puro.
● HOLAP: Modelagem multidimensional, ambiente 
transacional, consultas analíticas através de 
ferramenta.
● OLAP: Modelagem multidimensional, ambiente 
analítico, consultas analíticas através de 
ferramenta.
 
Exemplo ROLAP: Criação e 
Carga de Dimensões
TEMPO:
Criação: Create table Dim_Tempo (Id serial, 
Semestre int, Ano int, Primary key(id));
Carga: Insert into DIM_TEMPO(semestre, 
ano) Select V.ano, V.periodo from 
(Select T.ano, T.periodo from (Select 
DISTINCT ano,periodo from turma) T) V
 
Exemplo ROLAP: Criação e 
Carga de Dimensões
CURSO:
Criação: Create table Dim_Curso(Id serial, 
Nome VARCHAR(30), Primary key(id));
Carga: Insert into DIM_CURSO(nome) 
Select V.nome from (Select DISTINCT 
nome_curso “nome” from curso) V;
 
Exemplo ROLAP: Criação do 
Fato
Create table Producao_Escolar(
 Id_Tempo int not null,
 Id_Prof int not null,
 Id_Dept int not null,
 Id_Dis int not null,
 Id_Cur int not null,
 Qtd_Alunos int,
 Qtd_Alunos_Ap int,
 Foreign key(Id_Tempo) references Dim_Tempo(ID),
 Foreign key(Id_Prof) references Dim_Professor(ID),Foreign key(Id_Dept) references Dim_Dept(ID),
 Foreign key(Id_Dis) references Dim_Disciplina(ID),
 Foreign key(Id_Cur) references Dim_Curso(ID)
);
 
Exemplo ROLAP: Criação de 
Views para Carga
CREATE VIEW QTD_ALUNOS_PERIODO AS
SELECT P.NOME, COUNT(*) "qtd_alunos", T.ANO, T.PERIODO, 
DEP.NOME_DEP, C.NOME_CURSO, D.NATUREZA
FROM ALUNO_TURMA AT, TURMA T, PROFESSOR P, DISCIPLINA D, 
DEPART DEP, CURSO C
WHERE 
AT.COD_TURMA=T.COD_TURMA AND T.COD_PROF=P.MATRICULA
AND D.COD_CURSO=C.CODIGO AND T.COD_DISCIPLINA=D.CODIGO 
AND P.COD_DEPT=DEP.CODIGO GROUP BY P.NOME, T.PERIODO, 
D.NATUREZA, DEP.NOME_DEP, C.NOME_CURSO, T.ANO;
 
Exemplo ROLAP: Criação de 
Views para Carga
CREATE VIEW QTD_ALUNOS_AP_PERIODO AS
SELECT P.NOME, COUNT(*) "qtd_alunos_ap", T.ANO, T.PERIODO, 
DEP.NOME_DEP, C.NOME_CURSO, D.NATUREZA
FROM ALUNO_TURMA AT, TURMA T, PROFESSOR P, DISCIPLINA D, 
DEPART DEP, CURSO C 
WHERE 
AT.COD_TURMA=T.COD_TURMA AND T.COD_PROF=P.MATRICULA AND 
D.COD_CURSO=C.CODIGO AND T.COD_DISCIPLINA=D.CODIGO AND 
P.COD_DEPT=DEP.CODIGO AND AT.NOTA>6 GROUP BY P.NOME, 
T.PERIODO, D.NATUREZA, DEP.NOME_DEP, C.NOME_CURSO, T.ANO;
 
Exemplo ROLAP: Criação de 
Views para Carga (ODS)
CREATE VIEW fato_view AS
SELECT a.nome, a.ano, a.periodo, a.nome_dep, 
a.nome_curso, a.natureza, "qtd_alunos", 
"qtd_alunos_ap" FROM qtd_alunos_periodo a, 
qtd_alunos_ap_periodo b WHERE 
a.nome=b.nome (+);
 
Exemplo ROLAP: Carga nos 
Fatos
INSERT INTO producao_escolar 
 select t.id, p.id, de.id, d.id, c.id, "qtd_alunos", 
"qtd_alunos_ap" from dim_curso c, dim_disciplina 
d, dim_dept de, dim_tempo t, dim_professor p, 
fato_view f where p.nome=f.nome and 
periodo=semestre and t.ano=f.ano and 
de.nome=f.nome_dep and d.natureza=f.natureza 
and c.nome=f.nome_curso;
 
Exemplo ROLAP: Consultas 
com SQL puro
 A produtividade de cada professor ao longo de vários períodos. A 
produtividade é descrita da seguinte maneira:
 (a) N° de alunos matriculados em disciplinas do professor por 
período acadêmico
 (b) N° de alunos aprovados / N° total de alunos
 SELECT p.nome "Professor", Ano, Semestre 
"Periodo", qtd_alunos "Produtividade A" , 
qtd_alunos_ap/qtd_alunos "Produtividade B" from 
producao_escolar pe, dim_professor p, dim_tempo 
t where id_prof=p.id and id_tempo=t.id;
 
Exemplo HOLAP
 Mesmo Banco de Dados com uma ferramenta de 
criação de consultas automáticas:
 PENTAHO
 
Exemplo - OLAP
 Banco de dados e ambiente de consultas 
diferenciado:
 - Oracle BI
 - SQL Server Analysis Services
 
Análise e Modelagem 
Multidimensional
Operações OLAP
Prof. Thiago Affonso de M. N. Viana 
tamnv@recife.ifpe.edu.br
 
Processamento Analítico 
On-line
 
 OLAP (Online Analytical Processing) é uma das 
ferramentas de consulta (front-end) que servem 
para apresentar respostas aos usuários do DW.
 Um dos fatores importantes para o desempenho e 
a qualidade do DW está relacionado com seu front- 
end.
 
OLAP – Definição
 
 OLAP (Processamento analítico on-line) é uma 
“categoria da tecnologia de software que permite 
que, analistas, gerentes e executivos obtenham, de 
maneira rápida, consistente e interativa, o acesso a 
uma variedade de visualizações possíveis da 
informação” (INMON,1997);
 
OLAP – Definição
 OLAP é: processamento de dados, dedicado ao 
suporte à decisão, por meio de visualização de 
dados agregados ao longo de várias dimensões 
analíticas (tempo, espaço, categoria de produto, 
quantidade vendida, preço...), armazenados em 
BD dimensional.
 
OLAP – Objetivos
 A tecnologia OLAP foi definida em decorrência da 
forte necessidade de análises dos dados de forma 
fácil e flexível, analisando múltiplas visões do 
negócio em diferentes níveis de detalhe, 
comparações e tendências.
 
OLAP – Objetivos
 Ajudar analistas e gerentes a sintetizarem 
informações sobre a empresa através de 
comparações, visões personalizadas, análise 
histórica e projeção dos dados em vários cenários
 
Operações OLAP
 Operações Drill
 Utilizam navegação nos dados, modificando o 
nível de granularidade da consulta.
 Drill down/ Roll up (Drill up)
 Drill Across
 Drill Throught
 Slice and Dice
 Navegar nas dimensões
 
Drill Down e Roll Up
 São operações para movimentar a visão dos dados ao 
longo dos níveis hierárquicos de uma dimensão:
 Drill down:
 O usuário navega de um nível mais baixo de detalhe 
até um nível mais alto (diminui-se a granularidade)
 Roll up:
 O usuário navega de um nível mais alto de detalhe até 
o nível mais baixo (aumenta-se a granularidade).
 Os caminhos de navegação são determinados pelas 
hierarquias de dimensão.
 
Drill Down e Roll Up
Drill Down: aumentar o nível de detalhe, ir para o menor grão.
Roll Up: diminuir o nível de detalhe, subir para o maior grão.
 
Drill Across
 O Drill Across ocorre quando o usuário pula um 
nível intermediário dentro de uma mesma 
dimensão.
 Por exemplo: a dimensão tempo é composta 
por ano, semestre, trimestre e mês.
 O usuário estará executando um Drill Across 
quando ele passar de ano direto para mês.
 
Drill Throught
 O Drill Throught ocorre quando o usuário passa de 
uma informação contida em uma dimensão para 
uma outra.
 Por exemplo: Estou na dimensão de tempo e 
no próximo passo começo a analisar a 
informação por região.
 
Slice and Dice
 Operações para realizar navegação por meio dos 
dados na visualização por meio de um cubo.
 Slice
 Corta o cubo, mas mantém a mesma 
perspectiva de visualização dos dados.
 Funciona como um filtro restringindo uma 
dimensão à somente algum ou alguns de seus 
valores
 
Slice and Dice
 Dice
 Mudança de perspectiva da visão 
multidimensional, como se o cubo fosse girado.
 Permite descobrir comportamentos e 
tendências entre os valores das medidas 
analisadas, em diversas perspectivas
 
Slice (exemplo)
 
Dice (exemplo)
 
Análise e Modelagem 
Multidimensional
Aspectos Avançados de 
Modelagem para DW
Prof. Thiago Affonso de M. N. Viana 
tamnv@recife.ifpe.edu.br
 
Esquema Estrela
 
Esquema Estrela
 Tabelas Fato
 Tabelas Dimensão
 Um modelo dimensional pode ser representado por 
uma ou mais tabelas de fatos, relacionadas com 
tabelas de dimensões. Entretanto, a visão de um 
esquema por vez torna o modelo mais claro.
 
Tabelas Secundárias
 Qual a produção escolar por titulação de 
professores?
 Quais as disciplinas que mais reprovam alunos? 
 Qual das provas tem notas mais baixas? Primeira, 
Segunda, Reposição, Final?
 Qual o “product share” da produtividade dos 
departamentos/cursos/disciplinas?
– Cálculos que aumentam o processamento das 
consultas
 
Tabelas Secundárias
 Dados Secundárias
– Dimensões Secundárias
– Fatos Secundários
– Medidas Secundárias
 Agregados
– Formas de acelerar as consultas a partir de 
novas sumarizações
• Ex: Agregado apenas de ano
 
Tabelas Secundárias
 
Tabelas Secundárias
 
 Controlar crescimento do banco de dados pelas 
tabelas secundárias vs. conservar os benefícios!
 
 
Esparsidade do DW
 Em um DW, em geral a tabela de fatos primária é 
bastante esparsa, isto é, há muito menos valores 
da chave composta do que o produto cartesiano 
dos valores das chaves de cada dimensão. 
 Isto é bom porque, do contrário, o tamanho da 
tabela primária tenderia ao "infinito"!
 
Esparsidade do DW
 Dimensão Tempo: 2 anos x 365 dias = 730 dias
 Dimensão Loja: 300 lojas
 Dimensão Produto: 30.000 produtos
 Número de registros da tabela de fatos:
 730 x 300 x 30.000 = 6570 x 10 registros⁶
 Porém, dos 30.000 produtos em estoque, somente 
3.000 aproximadamente (10%) são 
comercializados diariamente, por loja.
 
Poda e Arrumação
 Para montar o esquema estrela é necessário 
descobrir quais os atributos do MER que serão 
utilizados
Producao_escolar
Qtd_alunos Ano
Turma
Qtd_alunos_ap
Período
ProfessorDisciplina
Matricula NomeTitulação
Endereço
Código
Nome
Nº. de créditos
Natureza
Nota
Departamento
Código
Nome
 
Poda
Remoção de campos desnecessários ao modelo:
- Professor: Tiramos endereço, matricula e deixamos apenas 
nome e titulação.
- Turma: Tiramos a nota, e deixamos apenas o ano e o período, 
e a chamamos de tempo.
- Departamento: Tiramos o código e deixamos apenas o nome.
- Disciplina: Apenas deixamos natureza.
 
Poda
Producao_escolar
Qtd_alunos Ano
Tempo
Qtd_alunos_ap
Período
Professor
Disciplina
Nome
Titulação
Natureza
Departamento
Nome
 
Arrumação (ou enxerto)
 Se necessário, pode ser preciso criar campos, 
dimensões, modificar relacionamentos e assim 
“arrumar” e “enxertar” os dados de um modelo.
	Slide 1
	Slide 2
	Slide 3
	Slide 4
	Slide 5
	Slide 6
	Slide 7
	Slide 8
	Slide 9
	Slide 10
	Slide 11
	Slide 12
	Slide 13
	Slide 14
	Slide 15
	Slide 16
	Slide 17
	Slide 18
	Slide 19
	Slide 20
	Slide 21
	Slide 22
	Slide 23
	Slide 24
	Slide 25
	Slide 26
	Slide 27
	Slide 28
	Slide 29
	Slide 1
	Slide 2
	Slide 3
	Slide 4
	Slide 5
	Slide 6
	Slide 7
	Slide 8
	Slide 9
	Slide 10
	Slide 11
	Slide 12
	Slide 13
	Slide 14
	Slide 15
	Slide 16
	Slide 17
	Slide 18
	Slide 19
	Slide 20
	Slide 21
	Slide 22
	Slide 23
	Slide 24
	Slide 25
	Slide 26
	Slide 27
	Slide 28
	Slide 29
	Slide 30
	Slide 31
	Slide 32
	Slide 33
	Slide 34
	Slide 35
	Slide 36
	Slide 37
	Slide 38
	Slide 39
	Slide 40
	Slide 41
	Slide 42
	Slide 43
	Slide 1
	Slide 2
	Slide 3
	Slide 4
	Slide 5
	Slide 6
	Slide 7
	Slide 8
	Slide 9
	Slide 10
	Slide 11
	Slide 12
	Slide 13
	Slide 14
	Slide 15
	Slide 16
	Slide 17
	Slide 18
	Slide 19
	Slide 20
	Slide 21
	Slide 1
	Slide 2
	Slide 3
	Slide 4
	Slide 5
	Slide 6
	Slide 7
	Slide 8
	Slide 9
	Slide 10
	Slide 11
	Slide 12
	Slide 13
	Slide 14
	Slide 15
	Slide 16
	Slide 17
	Slide 18
	Slide 19
	Slide 20
	Slide 21
	Slide 22
	Slide 23
	Slide 1
	Slide 2
	Slide 3
	Slide 4
	Slide 5
	Slide 6
	Slide 7
	Slide 8
	Slide 9
	Slide 10
	Slide 11
	Slide 12
	Slide 13
	Slide 14
	Slide 15
	Slide 16
	Slide 17
	Slide 18
	Slide 1
	Slide 2
	Slide 3
	Slide 4
	Slide 5
	Slide 6
	Slide 7
	Slide 8
	Slide 9
	Slide 10
	Slide 11
	Slide 12
	Slide 13
	Slide 14
	Slide 15
	Slide 16
	Slide 17
	Slide 18
	Slide 19
	Slide 20
	Slide 21
	Slide 22
	Slide 23
	Slide 24
	Slide 25
	Slide 26
	Slide 27
	Slide 28
	Slide 29
	Slide 30
	Slide 31
	Slide 32
	Slide 33
	Slide 34
	Slide 35
	Slide 36
	Slide 37
	Slide 38
	Slide 39
	Slide 1
	Slide 2
	Slide 3
	Slide 4
	Slide 5
	Slide 6
	Slide 7
	Slide 8
	Slide 9
	Slide 10
	Slide 11
	Slide 12
	Slide 13
	Slide 14
	Slide 15
	Slide 16
	Slide 17
	Slide 18
	Slide 19
	Slide 20
	Slide 21
	Slide 22
	Slide 23
	Slide 24
	Slide 25
	Slide 26
	Slide 27
	Slide 28
	Slide 29
	Slide 30
	Slide 1
	Slide 2
	Slide 3
	Slide 4
	Slide 5
	Slide 6
	Slide 7
	Slide 8
	Slide 9
	Slide 10
	Slide 11
	Slide 12
	Slide 13
	Slide 14
	Slide 15
	Slide 1
	Slide 2
	Slide 3
	Slide 4
	Slide 5
	Slide 6
	Slide 7
	Slide 8
	Slide 9
	Slide 10
	Slide 11
	Slide 12
	Slide 13