O documento apresenta uma introdução ao Business Intelligence (BI), explicando suas definições, conceitos, e a importância da modelagem de dados, como data warehouses e cubos de dados. Ele destaca a evolução do BI, abordando o OLTP e OLAP, e a necessidade de relatórios dinâmicos para tomadores de decisão. Por fim, enfatiza a relevância da modelagem de dados e a utilização de tecnologias variadas no suporte à inteligência do negócio.

1. Introdução ao BI
Msc. Mauro C. Pichiliani (@pichiliani)
1

2. Roteiro
• Apresentação
• Conceitos e teoria de BI
• OLTP e OLAP
• Histórico
• Modelagem Dimensional
• Cubo de Dados
• Conclusões
2

3. Apresentação (1)
3
 Mauro Pichiliani (pichiliani@uol.com.br)
 Colunista do iMasters (www.imasters.com.br)
 Fundador do podcast Databasecast (@databasecast)
 Escritor da revista SQL Magazine (
www.devmedia.com.br)
 Pesquisador de banco de dados e sistemas
distribuídos.
 Doutorando do ITA (Instituo de Tecnologia da
Aeronáutica)
 Experiência com o BI desde 2001

4. Apresentação (2)
4
 E vocês?
 Experiência com:
 Programação Java? .NET?
 Banco de dados?
 Modelagem?
 BI, DW, ERP, OLAP?
 Linux? Inglês?

5. Conceitos e teoria de BI (1)
5
 BI = Bussiness Intelligence
 Definição: Utilizar informação já disponível
para auxiliar os tomadores de decisão a
tomar decisões melhores e mais rápidas
 Substitui sistemas EIS (Executive Information
Systems) e DSS (Decision Support Systems)

6. Conceitos e teoria de BI (2)
6
 O foco é na geração de relatórios dinâmicos
para analistas e tomadores de decisão
 Usuários especializados (analistas)
 Não há a necessidade de conhecimentos
técnicos profundos sobre as ferramentas
 BI envolve diversas tecnologias e processos.
 Geralmente é implementado como
ferramenta para visualização de dados

7. Conceitos e teoria de BI (3)
7

8. Conceitos e teoria de BI (4)
8

9. Conceitos e teoria de BI (5)
9
 Relatórios:
 Tipo Dashboard
 Relatórios de produção
 Relatórios Analíticos
 Exemplos: clientes, pedidos fechados, status
de faturamento, contas a pagar, satisfação de
clientes, etc

10. Conceitos e teoria de BI (7)
10
 Data Warehouse: Repositório para armazenar
e analisar informações quantitativas e
qualitativas que são estáveis e confiáveis.
 Comparação com DW e Bancos Relacionais:
a) Suportar atividades x Planejamento
b) Detalhes x Agregação de alto nível
c) Aplicação específica x Agrega Dados
d) Imediato x Atividade através do tempo
e) Volátil x Estável
f) Rápido para detalhes x Rápidos para agregações


11. Conceitos e teoria de BI (8)
11
 Data Mart: Subconjunto do DW, geralmente
voltado para um propósito específico ou
contexto. Pode ser distribuído para suportar a
necessidade do negócio
 Artigo: Data Mart does not Equal Data
Warehouse, em:
 http://www.information-management.com/infodirect/19991120/1675-
1.html

12. OLTP e OLAP (1)
12
 OLTP = OnLine Transaction Processing
 Utilizado para gerenciar transações e operações diárias
 E. F. Codd propôs 12 critérios para OLTP em 1985
 OLAP = Online Analytical processing
 Descreve ferramentas especializadas para tornar os dados do
DW facilmente acessíveis
 E. F. Codd propôs 15 critérios para OLAP em 1985

13. OLTP e OLAP (2)
13

14. Histórico
14

15. Modelagem Dimensional (1)
15
 Modelo multidimensional (ou dimensional): um design para Data
Warehouse
 Conceito de múltiplas dimensões foi pego da física
 Baseado nas idéias de dimensões e medidas
 Medida (ou indicadores): Valor numérico totalizado utilizado para
monitorar o negócio
 Dimensões: Lista independete de valores que filtrados afetam o
cálculo da medida
 Modelagem tradicional não atende os requisitos de ferramentas
OLAP e dinâmica das visualizações
 Geralmente aplica normalização até 2FN
 Algum nível de desnormalização

16. Modelagem Dimensional (2)
16
 Dimensões representam as possíveis formas de visualizar os dados.Dimensões representam as possíveis formas de visualizar os dados.
São as entradas para as consultas. A base para entendimento deSão as entradas para as consultas. A base para entendimento de
qualquer negócio é responder às quatro perguntas fundamentais:qualquer negócio é responder às quatro perguntas fundamentais:
 QUANDO? (Período de tempo a que se refere à análise)QUANDO? (Período de tempo a que se refere à análise)
 O QUE? (O principal objeto de análise)O QUE? (O principal objeto de análise)
 ONDE? (Localização física ou geográfica para análise)ONDE? (Localização física ou geográfica para análise)
 QUEM? (Um objeto específico e detalhado para análise: opcional)QUEM? (Um objeto específico e detalhado para análise: opcional)
 Exemplo: relatório de vendas

17. Modelagem Dimensional (3)
17
 Figura 1: Relatório de unidades vendidas
 Figura 2: Análise mensal
 Figura 3: Por produto e por mês
 Duas dimensões: produto e mês
 Uma medida: unidades vendidas
 Elementos da dimensão são chamados de membros

18. Modelagem Dimensional (4)
18
 Figura 4: Por produto e mês de forma diferente
 Duas dimensões: produto e mês
 Uma medida: unidades vendidas

19. Modelagem Dimensional (5)
19
 Figura 5: Por produto, estado e mês
 Três dimensões: estado, produto e mês
 Uma medida: unidades vendidas

20. Modelagem Dimensional (6)
20
 Figura 6: Por produto, estado e mês + lucro
 Três dimensões: estado, produto e mês
 Duas medidas: unidades vendidas e lucro

21. Modelagem Dimensional (7)
21
 Dados de dimensão são armazenados em tabelas de dimensão
 Dados das medidas são armazendos em tabelas fato. Exemplo:
 Cada linha da tabela fato contém valores detalhados (fatos)
 Uma coluna para cada medida e ligações com as tabelas de
dimensão
 Sempre contém o membro mais detalhado da dimensão

22. Modelagem Dimensional (8)
22
 Exemplo de tabela fato com relacionamentos:
 Um DW pode conter várias tabelas fato
 As tabelas fato contém chaves estrangeiras para as tabelas de
dimensão
 Cada tabela de dimensão contém um identificador e atributos
dos membros da dimensão
 Tomar cuidado com a nomeclatura!

23. Modelagem Dimensional (9)
23
 Exemplo de tabela de dimensão simples:
 Coluna PROD_ID é chave primária
 Tabelas de dimensão podem conter vários atributos representados
pelas suas colunas. Exemplo de outros atributos:

24. Modelagem Dimensional (10)
24
 Alguns atributos podem agrupar membros da dimensão: cor
 Não faz sentido agrupar por certos atributos: preço
 Exemplo:
 Agrupamento de membros por atributos da dimensão dá
origem a hierarquias
 Abaixo da hierarquia podemos ter níveis de membros
 Navegação nos níveis: Drill-down and Drill-up.

25. Modelagem Dimensional (10a)
25
 Dimensões, hierarquias, níveis, membros:

26. Modelagem Dimensional (11)
26
 Exemplos de modelos:
Tabela de
Fatos
Dimensão
Aluno
Dimensão
Tempo
Dimensão
Curso
Dimensões
Hierarquias
Níveis
Membros

27. Modelagem Dimensional (12)
27
 Exemplos de modelos:

28. Modelagem Dimensional (13)
28
 Exemplos de modelos:

29. Modelagem Dimensional (14)
29
 Dimensões star (estrela):
 Apenas uma tabela de dimensão
 Dimensões snowflake (floco-de-neve):
 Mais de uma tabela de dimensão relacionada
 Maioria dos modelos é híbrida
 Modelagem dimensional é fundamental para entender OLAP
 Geralmente a modelagem está envolvida como processo de ETL
 Recomenda-se gastar uma boa parte do tempo na modelagem

30. Cubo de dados (1)
30
 O conceito de cubo vem da matemática:
 3 dimensões apenas
 Em OLAP, um cubo requer ao menos uma dimensão e uma medida:
 Pode possuir muitas medidas
 Pode possuir muitos membros
 Um cubo é uma estrutura multidimensional criada a partir do
modelo multidimensional
 A princípio contém apenas metadados
 Pode conter agregações

31. Cubo de dados (2)
31
 Exemplo: 3 dimensões e uma medida:

32. Cubo de dados (3)
32
 Exemplo: 3 dimensões e uma medida:

33. Cubo de dados (4)
33
 Exemplo: 3 dimensões e uma medida:

34. Cubo de dados (5)
34
 Visualização do cubo

35. Cubo de dados (6)
35
 Operações: Slice e Dice

36. Cubo de dados (7)
36
 Em resumo, ferramentas OLAP permitem:
 1) Resposta rápida e consistente
 Modelo de planilha
 Modelo multidimensional em RBDMS
 2) Consultas baseadas em metadados
 Cubos contém muitos metadados
 MDX (Multidimensional Expressions) x SQL
 Usuários não precisam conhecer SQL e nem MDX
 3) Fórmula no cubo, como em uma planilha
 Valores separados em células
 Manipulação de células
 Modelo de medatados para célula. E: [avg] x c4
 Acesso a diferentes cubos

37. Conclusões
37
 Foco de BI é trazer inteligência ao negócio
 Sempre procurar auxiliar o tomador de decisões
 Várias fases compõem o processo de BI
 A modelagem é imprescindível
 Relatórios são cruciais
 A tecnologia pode variar ao longo do tempo, mas conceitos
permanecem