Conceitos Tabelas Fatos e Dimensões no BI

795 visualizações

Publicada em

Esta atividade apresenta os conceitos dos seguintes termos:
Tabela Fato: Fatos Transação;
Tabela Fato: Fatos Periódicos;
Tabela Fato: Fatos Acumulados;
Dimensões: Conforme;
Dimensões: Degenerada;
Dimensões: Fast Changing Dimension;
Dimensões: Slowly Changing Dimension;
Métricas: Aditivas;
Métricas: Semi: aditivas;
Métricas: Não: aditivas.

Publicada em: Dados e análise
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
795
No SlideShare
0
A partir de incorporações
0
Número de incorporações
5
Ações
Compartilhamentos
0
Downloads
15
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Conceitos Tabelas Fatos e Dimensões no BI

  1. 1. Faculdade de Tecnologia Senac DF BANCO DE DADOS E BUSINNESS INTELIGENCE COM ÊNFASE EM SOFTWARE LIVRE Disciplina: Tecnologias de apoio à decisão e negócio Professor: Rogério Lopes Conceitos Fatos e Dimensões José do Nascimento Sousa Brasília-DF, Março de 2016
  2. 2. ConceitosFatos e Dimensões 1. Tabela Fato A tabela fato é a entidade que interliga, por chaves estrangeiras, as varias tabelas de Dimensão associadas. O Fato representa um elemento, ou uma transação ou um evento associado ao tema da modelagem. A tabela FATO_PEDIDO, apresentado abaixo na Figura 1, é um exemplo de Tabela Fato. Figura 1 - Esquema para um processo de pedidos 1.1. Fatos Transação Contêm informações referentes à transação realizada, por exemplo, a venda de produtos, terá na tabela fato transação a descriminação do produto, quantidade vendida, valor unitário, etc.
  3. 3. 1.2. Fatos Periódicos São fatos necessários para observar o desempenho cumulativo do negócio em intervalos de tempo regulares e previsíveis. O fato periódico acumula certos atividade em um período de tempo (no fim de um dia, em uma semana ou um mês) repetidamente ao fim de cada período. Exemplo: Todos os itens de um produto vendidos em um período x de dias. 1.3. Fatos Acumulados Possuem múltiplas datas, representando os múltiplos eventos ou fases que ocorrem durante o curso de um ciclo de vida, ou seja, representam um tempo indeterminado, que cobre o ciclo de vida da transação ou do produto ou pessoa. 2. Dimensões É a tabela que armazena registros descritivos referentes aos fatos, ou seja, na tabela dimensão se encontra os registros ocorridos na tabela fato. Exemplo: em uma determinada loja de roupas têm a dimensão modelo, dimensão cliente, dimensão vendedor, etc. 2.1. Conforme Quando uma dimensão pode ser compartilhada por duas ou mais tabelas de fatos, esta é dita como uma dimensão conformada. Exemplo: duas tabelas de fatos, uma de vendas realizadas e outra de vendas previstas, e que compartilhasse as mesmas dimensões: produto, mercado e de tempo. 2.2. Degenerada A dimensão é chamada de degenerada quando uma chave de dimensão, dentro da tabela fato, não possui uma tabela de dimensão correspondente. Exemplo: Uma tabela Fato com os itens das notas fiscais de uma empresa varejista. O numero a nota fiscal em si, não representa nada, apenas serve para agrupar os itens de uma
  4. 4. mesma compra. Não existe fisicamente uma Dimensão nota fiscal, embora exista uma coluna na tabela Fato com o número da nota propriamente dito 2.3. Fast Changing Dimension São as dimensões onde os dados mudam constantemente. Exemplo: a dimensão PRODUTO possui atributos voláteis como preço de custo e preço de venda, que variam quase toda semana. 2.4. Slowly Changing Dimension São dimensões onde os dados mudam lentamente ou seja, as mudança em suas informações ocorrem em grandes espaços de tempo. Exemplo: um vendedor de uma concessionária é transferido para uma filial em outra cidade, e agora precisamos implementar um relatório de vendas, agrupados por vendedores e filiais, comparando performance de vendas entre os vendedores. Se o vendedor foi transferido de uma filial com um mercado aquecido, para uma filial onde há poucas vendas, podemos ter problemas, pois em uma análise comparativa entre vendedores, as vendas do vendedor transferido podem parecer bem maiores em comparação com os outros vendedores. 3. Métricas A tabela de fatos devem ser cuidadosamente definidas pelos projetistas e podem ser classificadas em três grupos: aditivas, as semi-aditívas e as não-aditivas. Estas serão apresentadas abaixo. 3.1. Aditivas As métricas são aditivas, quando faz sentido sumarizá-la adicionando seus valores ao longo de qualquer dimensão, ou seja, quando os valores são passiveis de serem somados em todas as dimensões. Exemplo: em um pedido, o valor do pedido, a margem, o custo e a quantidade pedida são todas métricas completamente aditivas.
  5. 5. 3.2. Semi-aditivas As métricas semi-aditivas só permitem serem somadas ao longo de algumas dimensões. Ex.: Saldo Bancário – Faz sentido somar o seu saldo caso ele tenha conta em mais de um banco, mas não faz sentido somar seu saldo todos os dias de uma mesma conta. 3.3. Não-aditivas As métricas não-aditivas são aquelas que não podem ser somadas em nenhuma dimensão. Os valores em percentuais são exemplos de métricas não- aditivas. Por exemplo, em uma determinada data, um vendedor vende a um cliente 4 tipos diferentes de produtos, cada um deles com uma margem percentual de 25%. Não faz sentido incluir os quatro valores de margem percentual para calcular a margem total para este pedido.
  6. 6. 4. Referencial Bibliográfico BARBIERI, CARLOS. BI2 [Recurso Eletrônico]: business intelligence: modelagem e qualidade. Rio de Janeiro: Elsevier, 2011. Recurso digital. BRUZAROSCO, D. C., CASTOLDI, A. V., PACHECO, R. C. S. Criando data Warehouse com modelo dimensional. Programa de Pós-Graduação em Engenharia de Produção, Universidade Federal de Santa Catarina. 2000. Disponível em: http://periodicos.uem.br/ojs/index.php/ActaSciTechnol/article/viewFile/3099/2225. Acessado em: 02/03/2016. HOKAMA, D. D. B., CAMARGO, D., FUJITA, F., FOGLIENE, J. L. V. A modelagem de Dados No Ambiente Data Warehouse. Universidade Presbiteriana Mackenzie – Faculdade de computação e Informática. 2004, São Paulo. Disponível em: http://meusite.mackenzie.com.br/rogerio/tgi/2004modelagemDW.pdf Acesso em: 02/03/2016. LIMA, CARLOS ALBERTO LORENZI. Slowly Changing Dimension. 2010. Disponível em: http://litolima.com/2010/09/28/slowly-changing-dimension/. Acessado em: 28/02/2016. OLIVEIRA, GRIMALDO. Modelando um Data Warehouse. 2015. Disponível em: http://www.sucesuba.org.br/congresso2015/arquivos/Modelando%20um%20Datawa rehouse.pdf. acessado em 28/02/2016. RABELO, FLAVIA ANDRADE. Uma Sistemática Baseada em Data Warehousing para Apoio ao Governo Eletrônico. Dissertação de Mestrado – PUC-Rio. Disponível em: http://www2.dbd.puc-rio.br/pergamum/tesesabertas/0711283_10_pretextual.pdf. Acessado em 01/03/2016. RIBEIRO, RODRIGO. Implementando Slowly Changing Dimension com o Microsoft Integration Services. 2009. Disponível em: http://imasters.com.br/artigo/14494/visual_studio/implementando-slowly-changing- dimension-com-o-microsoft-integration-services. Acessado em: 28/02/2016.
  7. 7. TAKAI, OSVALDO KOTARO. ITALIANO, ISABEL CRISTINA. FERREIRA ,JOÃO EDUARDO. INTRODUÇÃO A BANCO DE DADOS. 2005. Disponível em: https://www.ime.usp.br/~jef/apostila.pdf. Acessado em: 28/02/2016. LOLIS, GUSTAVO VIEIRA. ANÁLISE DE VIABILIDADE DO USO DE BUSINESS - INTELLIGENCE EM PEQUENAS EMPRESAS. Monografia apresentada ao curso de Pós Graduação em Engenharia de Software e Banco de Dados da Universidade Estadual de Londrina. 2007. Disponível em: http://maquel.com.br/media/academico/artigo/01_05_12_MonografiaBIGustavoVieira Lolis.pdf. Acessado em 02/03/2016.

×