O documento discute quatro métodos ágeis aplicados a projetos de data warehouse: BEAM, Agile Analytics, Agile Data e Data Vault. Todos propõem desenvolvimento incremental, forte interação com stakeholders e abertura a mudanças de requisitos. As principais dificuldades na adoção são resistência a mudanças de paradigma e falta de apoio executivo.
Análise de aderência de práticas ágeis na cultura de startups de software: o ...
MetodosAgeis_DW_IGTI2015
1. UTILIZAÇÃO DE MÉTODOS ÁGEIS
EM PROJETOS DE DATA WAREHOUSE,
UMA REVISÃO BIBLIOGRÁFICA
Autor: Wiliam Pereira Righi
Orientador: Marco Gandra
Análise de Inteligência de Negócios
2. Projetos de DW tradicionais
● Desenvolvimento sequencial (waterfall)
● Ciclos longos de desenvolvimento (meses)
● Pouco envolvimento dos stakeholders
● Falta de abertura a mudanças nos requisitos
3. Métodos Ágeis já são bastante comuns nos projetos de desenvolvimento de
software em geral.
É possível aplicar os mesmos princípios em projetos de Data Warehouse?
Problema
4. ●
Apresentar as principais características de quatro propostas de
métodos ágeis aplicados a modelagem de um DW
●
O método BEAM* (Business Event Analysis and Modeling), (CORR,2012);
●
Agile Analytics – A value-driven approach to Business Intelligence and Datawarehouse,
(COLLIER,2012);
●
Agile Data, (AMBLER,2003);
●
Modeling the Agile Data Warehouse with Data Vault, (HULTGREN,2014).
●
Listar os desafios quanto a adoção de métodos ágeis em um
projeto de DW
Objetivos
5. Valores
– Indivíduos e interações sobre processos e ferramentas;
– Software funcional sobre documentação compreensiva;
– Colaboração do cliente sobre negociações de contrato;
– Resposta a mudanças sobre seguir estritamente o planejamento.
Princípios
Satisfação do cliente, entrega rápida, software funcional, mudanças nos
requisitos,cooperação, confiança, comunicação presencial, ritmo constante,
excelência ténica, design, simplicidade, auto-organização
O Manifesto Ágil (BECK,2001)
6. §
Alia técnicas de levantamento de requisitos com técnicas de
modelagem de bancos de dados
§
Data Stories descrevem os eventos de negócios
§
Framework 7W´s (who, what, where, when, why, how many, how)
– Conduz a conversa dos desenvolvedores com os stakeholders
– Stakeholders respondem as mesmas perguntas que farão ao DW
§
Diagramas e notações específicas para comunicação com stakeholders
– BEAM* Tables, timelines, hierarquias, etc
Método BEAM* (CORR,2012)
8. §
Propõe a utilização de método ágil em todo o ciclo de desenvolvimento
de BI
§
Principais princípios
– Modelar com propósito
– Excesso de detalhes e documentação é desperdício
– Modelo de dados funcional é auto-documentado
– Foco na modelagem necessária para a iteração corrente
– Envolvimento do cliente durante a modelagem
Agile Analytics (COLLIER,2012)
9. §
Uso intensivo de Padrões de Projeto
– Reutilizar modelos comprovadamente eficazes
– Reduz tempo de modelagem
– Eleva grau de abstração
– Reduz riscos
Agile Analytics (COLLIER,2012)
(JONES & SONG,2005).
10. §
Foco em reduzir os riscos do projeto e entregar um sistema de BI que
atenda as necessidades dos clientes e usuários
§
Práticas
– Envisioning – previsão de arquitetura e de requisitos
– Modelagem iterativa, modelstorm e JIT modeling
– Desenvolvimento orientado a testes – ferrramentas específicas para
testes de bancos de dados
– Foco na usuabilidade, user stories
– Abertura a mudanças – apoiado pela modelagem evolutiva e testes de
bancos de dados
Agile Data Modeling (AMBLER,2011)
11. §
Práticas (cont.)
– Database refactoring – pequenas mudanças no modelo afim de
melhorar performance e/ou suporte a futuras iterações
– Entrega contínua de software funcional – mesmo que poucos relatórios
por iteração. Oportunidade de correções de rumo.
– Envolvimento das equipes de suporte e operações desde o início do
projeto
●
Essas equipes têm requisitos não-funcionais do projeto: infra-
estrutura, manutenção, necessidade de treinamento, etc
Agile Data Modeling (AMBLER,2011)
12. §
Abordagem otimizada para construção de Enterprise Data Warehouses
(EDW)
– Integração de dados
– Rastreabilidade de dados históricos
– Auditorias
– Construção incremental
§
Tipos de tabelas
– Hubs
– Links
– Satellites
Agile DW with Data Vault (HULTGREN,2014)
16. §
Modelo não é otimizado para consultas, e sim para integração
– Requer data marts com modelagem dimensional
§
Data Vault é ágil por permitir a construção incremental do EDW
§
Mínimo de retrabalho entre as iterações
§
Alterações de requisitos -> novas Satellites, raramente requerem
alterações nas tabelas existentes
§
Ganho é multiplicado por não exigir mudanças nas cargas ETL
Agile DW with Data Vault (HULTGREN,2014)
17. §
As quatro abordagens possuem pontos em comum
– Desenvolvimento incremental e evolutivo
– Forte interação com stakeholders
– Abertura e suporte a mudanças de requisitos
§
Dificuldades na aplicação
– Resistência a mudanças de paradigma
– Falta de apoio executivo
§
Necessidades de negócio demandam entrega ágil de software
Conclusão
18. CORR, Lawrence; STAGNITTO, Jim - Agile Data Warehouse Design. Decision One Press.2012
COLLIER, Ken; Agile Analytics – A value-driven approach to business intelligence and data
warehousing. Pearson Press. 2012.
JONES, Mary; SONG, Il-Yeol - Dimensional modeling: identifying, classifying & applying
patterns. DOLAP '05 Proceedings of the 8th ACM international workshop on Data warehousing
and OLAP. 2005.
BECK, Kent. et al. Manifesto for Agile Software Development. 2001. Disponível em
<http://agilemanifesto.org/>. Acessado em 16/11/2014.
GRAZIANO, Kent - Agile Data Warehouse Modeling: Introduction to Data Vault Data
Modeling. Apresentado em Oracle User Group Finland (OUGF) 2014.
HULTGREN, Hans - Modeling the Agile Data Warehouse with Data Vault (Volume 1). Brighton
Hamilton. 2012.
AMBLER, Scott - Agile Database Techniques: Effective Strategies for the Agile Software
Developer. Wiley. 2003
Referências