1) A modelagem dimensional é uma técnica amplamente utilizada no desenvolvimento de data warehouses, por unir dados compreensíveis para os usuários com consultas de melhor performance. 2) Essa técnica estrutura os dados em fatos e dimensões relacionadas por chaves primárias e estrangeiras, permitindo análises como "lucro por ano" ou "vendas por vendedor". 3) A modelagem dimensional pode ser implementada em bancos de dados relacionais ou multidimensionais, sendo esta última mais indicada para OLAP e relatórios.

1. Modelagem
Dimensional
Fonte: The Data Warehouse Toolkit,
Ralph Kimball
Photo by Surface on Unsplash

2. Técnica amplamente utilizada no
desenvolvimento de Data
Warehouses
Isso, por unir dois requisitos a
serem atingidos por esse tipo de
projeto:
• Dados compreensíveis e
facilmente utilizáveis pela área
de negócio
• Consultas executadas com
melhor performance
Photo by Museums Victoria on Unsplash
Photo by Eduardo Soares on Unsplash
Esses benefícios são obtidos sem que haja
perda de informação em relação a uma
base de dados feita utilizando
modelagem relacional

3. Essa técnica pode ser implementada de duas maneiras:
• Em bancos de dados
relacionais (SGBDs), onde
são chamados de Star
Schemas.
• Em bancos de dados
multidimensionais, onde são
chamados cubos OLAP (Online
Analytical Processing)
Um Star Schema é uma boa base física para construir e
alimentar um cubo OLAP, servindo para armazenar dados mais
detalhados, além de ser mais estável para processo de
backup/recovery

4. Os componentes básicos da
modelagem dimensional são:
Photo by Stephen Dawson on Unsplash
Exemplos:
“lucro (fato) por ano (dimensão)”
“quantidade de produtos vendidos (fato) por vendedor
(dimensão)”
contexto textual associado a
um evento de uma medida
de negócio
medidas de negócio
Fatos Dimensões

5. O relacionamento entre
esses componentes é feito
por meio de chaves
primárias (PK) e estrangeiras
(FK), como exemplificado:
ID_TABELA_FATO
QTD_VENDA
ID_DIA_MES_ANO (FK)
ID_LOJA(FK)
ID_LOCAL (FK)
ID_PRODUTO (FK)
ID_VENDEDOR (FK)
ID_DIA_MES_ANO
DIA
MES
ANO
TRIMESTRE
ID_PRODUTO
NOME
MARCA
ID_VENDEDOR
(PK)
NOME
RG
CPF
ID_LOJA
NOME
CNPJ
ID_LOCAL (PK)
CIDADE
ESTADO
CEP

6. • Com os dados estruturados
dessa forma, fica mais simples a
criação de relatórios e visuais
que dão suporte à tomada de
decisão
Photo by Lukas Blazek
Photo by Adeolu
Eletu
Photo by Luke Chesser