1. EXPLORAÇÃO DE DATA WAREHOUSE:
MINERAÇÃO DE DADOS OU OLAP
Klayton Rodrigo Alves
1114050@facsumare.com.br
klayton.alves@hotmail.com
RESUMO
Em meio às dificuldades de se trabalhar analise em Data Warehouse
corporativo, e as necessidades de se utilizar o mesmo em diversos campos de
atuação, sejam para projetar consultas, gerar relatórios, analisar as informações ou
previas futuros mercados, obtidos na mineração de dados, ou usando
processamento analítico on-line (OLAP) e respondendo a questionamentos
tipicamente dimensionais para suporte a Decisão Gerencial (SAD), este artigo
objetiva apresentar o trabalho de mineração de dados com características de
tecnologia OLAP, ou seja, analisar os dados de forma multidimensional.
Palavra Chave: Data Mining, OLAP, Data Warehouse.
ABSTRACT
Amid the difficulties of working in analyzing corporate data warehouse, and
needs to use it in various fields, are to design queries, generate reports, analyze
information and predict future markets, obtained in data mining, or using online
analytical processing (OLAP) and responding to questions typically designed to
withstand Decision Management (SAD), this article presents the work of data mining
with OLAP technology features, ie, analyze the data in a multidimensional way.
Keywords: Data Mining, OLAP, Data Warehouse.

2. 1 INTRODUÇÂO
Com a globalização, o crescimento, o desenvolvimento e a expansão das
empresas num espaço físico, operacional e gerencial, o avanço tecnológico trouxe
uma aproximação dos quatro pontos terrestres gerando dados das mais diversas
áreas.
Com o armazenamento destes dados, tornou-se difícil gerir as informações
aglomeradas no decorrer de alguns anos em Data Warehouse e Data Mart’s, que
foram desenvolvidos com finalidades idênticas, ou seja, agregar dados, porém com
características diferentes.
Este breve texto pretende demonstrar o tratamento das informações com a
mineração de dados e OLAP, possibilitando uma melhora na estrutura necessária
para transformar um conjunto de dados em informações relevantes, como também
para reconhecer nichos específicos de mercado para atuação.
2 CRESCIMENTO DA INFORMAÇÃO E MÉTODOS DE ANALISE
As necessidades de se aglomerar os dados em um ponto central, como Data
Warehouse, ou fazer com que existam diversos pontos para armazenagem, como
Data Mart’s que são espalhados em diferentes pontos, tem grande importância para
as empresas que valorizam e investem nas futuras tendências, portanto procuram
pelo conhecimento independente de onde estejam, mas principalmente pelas
informações que agregaram no decorrer do tempo.
Trabalhar as informações agregadas com mineração de dados e a tecnologia
OLAP (On-line Analitic Processing) que são apresentadas para responder consultas
multidimensionais, ambas são utilizadas para produzir o conhecimento necessário
para a análise do negócio, onde os dados não correspondem diretamente as
informações necessitando de um tratamento, este conhecimento implícito contido no
armazenamento das informações podem aprimorar o negócio.
Para a produção do conhecimento e a delimitação das analises convenciona-
se a mineração de dados (Data Mining), que utiliza métodos de classificação,
2

3. estimativa, previsão, agrupamento por afinidade, reunião e descrição, estes são
denominados hipotéticos, com a idéia de propor descobrir tendências e padrões, e a
OLAP utiliza métodos como agregação, alocação, razões, produtos e outros, que se
propõem a responder analises on-line, denominadas analises comparativas.
2.1 Gerando as riquezas
O Data Warehouse fornece memórias a empresa, porém a memória tem
pouco uso sem a inteligência.
“Data Warehouse é um conjunto de dados baseados em assuntos,
integrados, não volátil e variável em relação ao tempo, de apoio a decisões
gerenciais.” (HARISON, 1998)
Este é um repositório de dados para dar suporte às decisões gerenciais
normalmente constituídos por alguns Data Mart’s que são moldados por estruturas
granulares pertencentes a departamentos específicos, e armazenagem Near-Line
que contem riquezas detalhadas sobre dados históricos.
As informações dos sistemas são armazenadas em um Data Warehouse, ou
em um conjunto de Data Mat’s.
Os Data Mat’s são sub-conjuntos de um Data Warehouse, normalmente
distribuídos por setores, como Marketing, Financeiro e outros.
2.2 Trabalhando as riquezas
A inteligência (Data Mining) nos permite a analise da nossa memória,
observando modelos estabelecendo mecanismos e tendo novas idéias para fazer
previsões sobre o futuro.
HARISON (1998) define como “Data Mining a exploração e analise, por meios
automáticos ou semi-automáticos, de grande quantidade de dados para descobrir
modelos e regras significativas.”
CARVALHO, (2001) complementa com o seguinte, “Data Mining e o uso de
técnicas de exploração de grande quantidade de dados de forma a descobrir novos
padrões e relação que, devido ao volume de dados, não seriam descobertos a olho
nu pelo ser humano.”
3

4. Todas as linhas acima podem ser condensadas com a seguinte descrição
sobre a mineração de dados, que o Data Mining e o processo de se encontrar
padrões, associações e relacionamentos a partir de dados, transformando os em
informações úteis para analise.
A OLAP proporciona condições de análise de dados on-line necessárias para
responder as possíveis torrentes de perguntas dos executivos que se situam se
entre a massa de dados e a interface, que permite ao usuário formular consultas a
banco de dados, sem precisar interagir com linguagem de programação de banco de
dados SQL.
2.3 As diferenças tratando a informação
Levamos em conta que as diferenças entre OLAP e Data Mining.
Na OLAP, suas funções ou algoritmos encontrados nas ferramentas são
normalmente descritivos, como agregações, alocações, razões, produtos e etc.,
O Data Mining possui funções e seus pacotes são explicativos, com a
utilização de regressão, redes neurais, arvores de decisão, clustering, vieram para
condicionar analises multidimensionais facilitando uma visão geral do que é
relevante.
Quanto aos tratamentos das bases de dados, sejam relacionais ou
dimensionais, tanto a tecnologia OLAP, quanto o método Data Minig, tratam
(normalmente) as informações num formado multidimensional para suporte a
decisão (SAD).
2.4 Por que utilizá-los e qual a melhor escolha
No cenário corporativo se agrega mudanças num pequeno espaço de tempo.
Para isto é necessário tomar decisões inteligentes e rápidas para manter o negócio
corporativo competitivo, no entanto para se tomar decisões é primordial que as
questões/consultas reflitam múltiplas dimensões do negócio, assim deve se analisar
quais dos métodos correspondem às expectativas dos analistas e gerentes.
4

5. As consultas OLPA podem acessar banco de dados com múltiplos gigabytes,
posteriormente refinar suas consultas e analisar comparações on-line com respostas
rápidas. Consultas OLPA podem ser caracterizadas por:
 Acessar grandes volumes de dados e analisar os relacionamentos
entre os diversos tipos de elementos;
 Envolver dados agregados;
 Comprar dados agregados ao longo do período de tempo;
 Apresentar dados em diferentes perspectivas;
 Envolver cálculos complexos entre elementos de dados;
 São capazes de responder rapidamente a solicitação dos usuários.
As analises de um Data Mining é basicamente uma aplicação estatística,
caracterizadas por:
 Realizar inúmeros cálculos em grandes volumes de dados;
 Efetuar analise de forma criativa, detectar freqüências e descobrir
padrões;
 Representar padrões encontrados nos dados;
 Fazer análises discriminantes;
 Agrupar informações homogêneas e heterogêneas;
 Utilizar técnicas de regressão;
 Árvore de decisão;
3 CONCLUSÃO
Conclui-se que devemos verificar inicialmente a finalidade das analises e o
comportamento das mesmas em relação às exigências/requisitos gerenciais, para
posteriormente escolher o melhor método/tecnologia para responder o propósito da
analise.
Tanto o Data Mining quanto OLAP, ou seja, ambos possuem a mesma
finalidade. Porém um é método para se garimpar informações, enquanto o outro é a
tecnologia usada para tal.
5

6. 4 REFERÊNCIAS BIBLIOGRÁFICAS
CARVALHO, Luís Alfredo Vidal de. Dataming: a mineração de dados no
marketing, medicina, economia, engenharia e administração. São Paulo: Editora
Érica Ltda., 2002.
HARRISON, Thomas H.. Intranet data warehouse. São Paulo: Berkeley Brasil,
1998.
INMON, W.H.; TERDEMAN, R.H; IMHOFF, Claudia. Exploration warehousing :
turning business, information into business opportunity. Nova York: John Wiley
& Sons, Inc., 2000.
THOMSEM, Erik. OLAP: construindo sistemas de informações
multidimensionais. Tradução Daniel Vieira. Rio de Janeiro: Campus, 2002.
6