O documento aborda conceitos fundamentais de modelagem de dados em bancos de dados, destacando a estrutura e funções das tabelas de fato e de dimensão. As tabelas de fato representam transações e eventos, enquanto as tabelas de dimensão armazenam informações descritivas relacionadas. Além disso, o texto define tipos de métricas e suas classificações no contexto de análise de dados.

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. 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. 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. 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. 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. 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. 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.