·
Ciência da Computação ·
Banco de Dados
Envie sua pergunta para a IA e receba a resposta na hora
Recomendado para você
1
Modelo de EXEMPLO para Dados da CTPS
Banco de Dados
PUC
6
Critérios de Correção para Consultas SQL e Estruturas de Dados
Banco de Dados
PUC
1
Criação de Tabela para Clientes com Saldo Superior a R$ 5000
Banco de Dados
UNIP
1
Script SQL DDL e DML Criacao e Insercao na Tabela EmpMess
Banco de Dados
UFABC
3
SQL-SELECTS-Conversao-Concatenacao-Funcoes-Data-String-Subconsultas
Banco de Dados
CEUN-IMT
1
Query SQL para Contar Itens Comprados por Cliente com Mínimo de Duas Compras
Banco de Dados
UNICARIOCA
7
Certificacoes Cisco 2023 - Esquema do Banco de Dados e Instrucoes SQL
Banco de Dados
CEUN-IMT
1
Prova P2 Banco de Dados - Modelo Entidade-Relacionamento
Banco de Dados
UNIP
3
Atividade 5: Construção de Grafo da Série Game of Thrones no Neo4J
Banco de Dados
CEUN-IMT
1
Query SQL Contagem de Itens Distintos por Cliente com Filtro
Banco de Dados
UNICARIOCA
Texto de pré-visualização
20102023 1 Inteligência de Negócio Professora Denise Bandeira 1 Qual o total de vendas de produtos e lucro por região geográfica em um período de tempo Qual o lucro de cobertura de seguros por faixa etária modelo e ano de fabricação do bem segurado Qual a relação entre orçamento e desempenho real ao longo do tempo Qual o aumento nas vendas de um produto no período da promoção Quais produtos tiveram queda no mesmo período Alguns exemplos 2 Alguns exemplos 3 Alguns exemplos 4 20102023 2 Alguns exemplos 5 Inteligência de Negócio Business Intelligence BI Origem do termo BI Relatórios Estáticos anos 70 Relatórios Dinâmicos anos 80 Gartner Group anos 90 O que é Inteligência de Negócio 6 Conjunto de processos tecnologias e metodologias que visam a coleta organização análise e interpretação de dados relevantes para apoiar a tomada de decisões estratégicas nas organizações O que é Inteligência de Negócio 7 Definição Estratégias Tecnologias e Práticas Coletar Analisar Interpretar Dados do negócio Informações valiosas Suporte à tomada de decisão O que é Inteligência de Negócio 8 20102023 3 Dados Brutos Informações Significativas Insights Valiosos Planejamento Monitoramento Controle Objetivos Empresariais Objetivo da Inteligência de Negócio 9 Dado X Informação X Conhecimento Sabedoria Conhecimento Informação Dado 10 Dado X Informação X Conhecimento Dado Caneta azul da marca Bic ponta fina Caneta azul marca Pentel ponta fina Caneta azul marca Bic ponta grossa Informação 3 canetas azuis 2 canetas marca Bic 1 caneta marca Pentel 2 canetas ponta fina 1 caneta ponta grossa Conhecimento Insight A marca Bic vende mais que a marca Pentel como promover a Pentel Caneta ponta fina vende mais que ponta grossa como impulsionar a venda de ponta fina 11 SIE SIG SSD SIT Sistemas de Informações Executivas SIE Fornecem informações de apoio para executivos de empresas no nível estratégico Normalmente apresentamse sob a forma de dashboards ou painéis de controle Sistemas de Informações Gerenciais SIG Utilizados por executivos que atuam no nível tático permitindo a geração de relatórios analíticos customizados e eventualmente o teste de cenários Sistemas de Suporte à Decisão SSD São utilizados para auxiliar os tomadores de decisão no nível tático ou operacional a utilizarem dados e modelos na solução de problemas nãoestruturados Sistemas de Informações Transacionais SIT São os sistemas utilizados no nível operacional para o registro das transações empresariais OLTP OLAP Análise das informações em diversos níveis 12 20102023 4 Cases Aplicações da Inteligência de Negócio 13 Análise de Dados Esportivos sports analytics Dados sobre atletas e equipes Suporte para a tomada de decisões esportivas quais jogadores devem ser recrutados quanto pagar de salário a cada atleta quem colocar para jogar quem escolher como treinador como evitar lesões quando atletas devem ser negociados ou aposentados Cases aplicação da Inteligência de Negócio 14 Análise de Dados Esportivos sports analytics Especialidade dentro da área de análise de dados U145 bilhões em receitas anuais U100 bilhões adicionais em apostas legais U300 bilhões em apostas ilegais 2014 U125 milhões gastos em análise de dados 01 2021 U47 bilhões estimativa Análise de Dados Esportivos sports analytics 15 Copa do mundo 2014 Alemanha campeã número de passes velocidade em campo finalizações defesas penalidades Análise de Dados Esportivos sports analytics 16 20102023 5 Livro Moneyball de Michael Lewis de 2003 Filme estrelado por Brad Pitt em 2011 Billy Beane diretor executivo dos Oakland As basebol Análise de dados para fazer um time perdedor começar a ganhar Análise de Dados Esportivos sports analytics 17 Papel do analista de dados neste caso Prospectou jogadores com capacidade de avançar de base Custo baixo para contratação Renegados por outros times E oposição a jogadores que se destacavam em parâmetros mais tradicionais Custo elevado para contratação Análise de Dados Esportivos sports analytics INSIGHTS 18 Vídeo case Oakland As basebol httpswwwyoutubecomwatchv8be9t8gdeu4 Análise de Dados Esportivos sports analytics 19 Preparador físico Garantir que as atletas estejam preparadas para os dias de jogo com a máxima eficiência Evitar lesões Regular a carga de treinamento das atletas Análise de Dados Esportivos sports analytics 20 20102023 6 Sensores em coletes Medir dados internos frequência cardíaca e respiratória e temperatura corporal Medir dados externos acelerômetros distância percorrida e velocidade acelerações e desacelerações Análise de Dados Esportivos sports analytics 21 Área Administrativa Pacotes de ingressos para a temporada renovados X não renovados Compras avulsas motivação Quanto cobrar pelas ingressos Análise de Dados Esportivos sports analytics 22 Estatísticas simples sobre o comportamento dos torcedores dados de públicos totais enquetes sobre a propensão a compras futuras Estratificadas por áreas do estádio Em que público focar nas ações de marketing Análise de Dados Esportivos sports analytics 23 Modelo de precificação dinâmica retrospecto atual da equipe adversário a ser enfrentado as datas e os horários dos jogos histórico de compra de cada torcedor localização de assento informações em tempo real sobre congestionamentos no horário do e condições meteorológicas Análise de Dados Esportivos sports analytics 24 20102023 7 Modelos de fidelidade Sentimento dos torcedores comentários em redes sociais Impacto de ações distribuição de brindes anúncios publicitários na TV Análise de Dados Esportivos sports analytics 25 Tableau visualização de dados e análise painéis interativos relatórios personalizados Formação para trabalhar na área de BI Softwares 26 Power BI Microsoft popular conecta várias fontes de dados visualizações interativas compartilha relatórios Formação para trabalhar na área de BI Softwares 27 QlikView capacidade de associação de dados explorar informações de maneira intuitiva Formação para trabalhar na área de BI Softwares 28 20102023 8 MicroStrategy IBM Cognos Analytics Looker Domo Sisense Formação para trabalhar na área de BI Softwares 29 O que faz um analista de BI httpsyoutubeWWGYc9LdRNs Analista de BI X Analista de Dados minuto 303 até 822 httpsyoutubecjgMzhZwUI Entrevista para Engenheiro de BI na Amazon httpsyoutubeJykUcZf0Mg Carreira na área de BI Vídeos 30 A arquitetura da Inteligência de Negócio BI como estrutura técnica subjacente que suporta o processo de BI 31 Infraestrutura onpremise ou na nuvem EXTRAÇÃO TRANSFORMAÇÃO CARGA FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES 32 20102023 9 Atualizações em tempo real Dados atuais Dados operacionais Dados detalhados Grande volume de dados Atualizações periódicas Dados históricos Dados analíticos Dados sumarizados Baixo volume de dados Processamento transacional de dado Online Transaction Processing Processamento analítico de dados Online Analytical Processing 33 CONCEITUAL LÓGICO FÍSICO Modelagem de Dados de Sistemas OLTP dataCadastro nome pk codCliente Cliente cep uf cidade complemento numero rua Endereco prazoEntrega preco importado dataLancamento nome pk codProduto Produto dataEmissao pk numPedido Pedido 0 1 nonidentifying 0 0 ItemPedido valorUnitario quantidade ItemPedido placa data pk numEntrega Entrega 0 01 nonidentifying nome pk cnh Motorista motorista 1 1 endereco 0 1 genero dataNascimento ak cpf PessoaFisica razaoSocial ak cnpj PessoaJuridica numero ddd Telefone telefones 1 1 codempresa 0 1 nonidentifying FK NOT NULL NUMERIC 5 codcliente IE1 FK NUMERIC 5 codempresa NOT NULL DATE datanascimento NOT NULL CHAR 1 genero AK1 CHAR 14 NOT NULL cpf pessoasfisicas IE1 FK NOT NULL NUMERIC 5 codcliente NOT NULL DATE dataemissao NOT NULL NUMERIC 10 numpedido pedidos IE2 FK NUMERIC 2 NOT NULL codcategoria NUMERIC 3 NOT NULL prazoentrega NOT NULL NUMERIC 82 preco NOT NULL CHAR 1 importado NOT NULL DATE datalancamento IE1 NOT NULL VARCHAR 100 nome NUMERIC 3 NOT NULL codproduto produtos FK NUMERIC 3 NOT NULL codproduto IE1 FK NUMERIC 10 numentrega NUMERIC 82 valorunitario FK NOT NULL NUMERIC 10 numpedido NUMERIC 4 quantidade itenspedidos FK NUMERIC 5 NOT NULL codcliente AK1 NOT NULL CHAR 18 cnpj NOT NULL VARCHAR 100 razaosocial pessoasjuridicas NUMERIC 5 NOT NULL codcliente NOT NULL CHAR 1 tipo NOT NULL DATE datacadastro IE1 NOT NULL VARCHAR 100 nome clientes tipo tipo IE2 NOT NULL VARCHAR 100 motnome NUMERIC 11 NOT NULL motcnh IE1 NOT NULL CHAR 8 placa NOT NULL DATE data NUMERIC 10 NOT NULL numentrega entregas IE1 FK NUMERIC 5 NOT NULL codcidade NUMERIC 2 NOT NULL codendereco FK NUMERIC 5 NOT NULL codcliente NUMERIC 8 NOT NULL cep VARCHAR 20 complemento NUMERIC 6 NOT NULL numero NOT NULL VARCHAR 80 rua enderecos IE2 FK NOT NULL CHAR 2 uf IE1 NOT NULL VARCHAR 80 nome NUMERIC 5 NOT NULL codcidade cidades O processo de modelagem de dados de sistemas transacionais tem por objetivos 1 Modelagem CONCEITUAL Compreender os requisitos necessidades dos futuros usuários do sistema e identificar que dados serão necessários armazenar 2 Modelagem LÓGICA A partir dos requisitos representados identificar as melhores estruturas lógicas de dados ideais para implementação 3 Modelagem FÍSICA Definidas as estruturas lógicas implementar o banco de dados criando suas estruturas de dados 34 Modelagem de Dados de Sistemas OLAP 1 CUBO Os dados são organizados em cubos compostos por N dimensões podem ser mais do que três Cada dimensão avalia um aspecto relevante dos fatos a serem analisados 2 FATO É o fato gerador que será analisado Exemplos vendas de produtos avaliação de alunos etc 3 MEDIDA São os dados numéricos relativos aos fatos e obtidos a partir de operações matemáticas ou estatísticas Exemplos contagem média etc PRODUTOS ESTADOS MESES 35 Infraestrutura on premises ou na nuvem EXTRAÇÃO TRANSFORMAÇÃO CARGA FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES 36 20102023 10 Fontes de dados que irão alimentar os data warehouse eou os datamarts com os dados operacionais provenientes normalmente de sistemas OLTP Rotinas que visam extrair os dados das fontes realizando transformações para padronizalos e normalizalos Depósitos dos dados sumarizados para construção das bases multidimensionais ou CUBOS Rotinas de EXTRAÇÃO TRANSFORMAÇÃO E CARGA DATA WAREHOUSE ou DATA MARTS SISTEMAS TRANSACIONAIS ou outras fontes de dados 37 Modelagem de Dados de Sistemas de Informação Transacionais Como definir a estrutura do Banco de Dados de um Sistema de Informação 38 Infraestrutura on premises ou na nuvem EXTRAÇÃO TRANSFORMAÇÃO CARGA FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES 39 SISTEMAS TRANSACIONAIS e outras fontes de dados Fontes de dados que irão alimentar os data warehouse eou os datamarts com os dados operacionais provenientes normalmente de sistemas OLTP Rotinas que visam extrair os dados das fontes realizando transformações para padronizalos e normalizalos Depósitos dos dados sumarizados para construção das bases multidimensionais ou CUBOS Rotinas de EXTRAÇÃO TRANSFORMAÇÃO E CARGA DATA WAREHOUSE ou DATA MARTS 40 20102023 11 ETL Extração Transformação e Carga 41 Infraestrutura on premises ou na nuvem FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES EXTRAÇÃO TRANSFORMAÇÃO CARGA 42 SISTEMAS TRANSACIONAIS e outras fontes de dados Fontes de dados que irão alimentar os data warehouse eou os datamarts com os dados operacionais provenientes normalmente de sistemas OLTP Rotinas que visam extrair os dados das fontes realizando transformações para padronizalos e normalizalos Depósitos dos dados sumarizados para construção das bases multidimensionais ou CUBOS Rotinas de EXTRAÇÃO TRANSFORMAÇÃO E CARGA DATA WAREHOUSE ou DATA MARTS 43 Modelagem de Dados do Data Warehouse Como definir as estruturas de data warehouses 44 20102023 12 Infraestrutura on premises ou na nuvem FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES EXTRAÇÃO TRANSFORMAÇÃO CARGA 45 Modelagem de Dados Dimensional Como definir as estruturas dos CUBOS 46 Infraestrutura on premises ou na nuvem FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES EXTRAÇÃO TRANSFORMAÇÃO CARGA 47 Depósitos dos dados sumarizados para construção das bases multidimensionais ou CUBOS DATA WAREHOUSE ou DATA MARTS 48 20102023 13 Definir quais questões de negócio devem ser respondidas Idenficar os fatos que devem ser analisados na busca pelas respostas a essas questões Definir em que granularidade cada fato deve ser minimamente avaliado Identificar quais dimensões caracterizam cada fato SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS Identificar as medidas relacionadas a cada fato 49 SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS NUMERIC 5 NOT NULL FK codcliente FK IE1 NUMERIC 5 codempresa NOT NULL DATE datanascimento NOT NULL CHAR 1 genero AK1 NOT NULL CHAR 14 cpf pessoasfisicas NUMERIC 5 NOT NULL FK IE1 codcliente NOT NULL DATE dataemissao NUMERIC 10 NOT NULL numpedido pedidos NOT NULL FK IE2 NUMERIC 2 codcategoria NOT NULL NUMERIC 3 prazoentrega NUMERIC 82 NOT NULL preco NOT NULL CHAR 1 importado NOT NULL DATE datalancamento IE1 VARCHAR 100 NOT NULL nome NOT NULL NUMERIC 3 codproduto produtos FK IE2 NUMERIC 2 codcategoriapai IE1 VARCHAR 50 NOT NULL nome NOT NULL NUMERIC 2 codcategoria categorias NOT NULL FK NUMERIC 3 codproduto FK IE1 NUMERIC 10 numentrega NUMERIC 82 valorunitario NUMERIC 10 NOT NULL FK numpedido NUMERIC 4 quantidade itenspedidos NOT NULL FK NUMERIC 5 codcliente AK1 NOT NULL CHAR 18 cnpj VARCHAR 100 NOT NULL razaosocial pessoasjuridicas NOT NULL NUMERIC 5 codcliente NOT NULL CHAR 1 tipo NOT NULL DATE datacadastro VARCHAR 100 NOT NULL IE1 nome clientes tipo tipo NOT NULL CHAR 10 idtelefone NUMERIC 5 NOT NULL FK IE1 codcliente NUMERIC 9 NOT NULL numero NUMERIC 2 NOT NULL ddd telefones VARCHAR 100 NOT NULL IE2 motnome NOT NULL NUMERIC 11 motcnh NOT NULL IE1 CHAR 8 placa NOT NULL DATE data NOT NULL NUMERIC 10 numentrega entregas NOT NULL FK IE1 NUMERIC 5 codcidade NOT NULL NUMERIC 2 codendereco NOT NULL FK NUMERIC 5 codcliente NOT NULL NUMERIC 8 cep VARCHAR 20 complemento NOT NULL NUMERIC 6 numero VARCHAR 80 NOT NULL rua enderecos NOT NULL FK IE2 CHAR 2 uf IE1 VARCHAR 80 NOT NULL nome NOT NULL NUMERIC 5 codcidade cidades NOT NULL CHAR 2 regiao VARCHAR 50 NOT NULL IE1 nome NOT NULL CHAR 2 uf estados 50 SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS valor preco quantidade data pedidos 51 SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS valor preco quantidade data pedidos NUMERIC 5 NOT NULL FK IE1 codcliente NOT NULL DATE dataemissao NUMERIC 10 NOT NULL numpedido pedidos NOT NULL FK IE2 NUMERIC 2 codcategoria NOT NULL NUMERIC 3 prazoentrega NUMERIC 82 NOT NULL preco NOT NULL CHAR 1 importado NOT NULL DATE datalancamento IE1 VARCHAR 100 NOT NULL nome NOT NULL NUMERIC 3 codproduto produtos FK NUMERIC 3 NOT NULL codproduto FK IE1 NUMERIC 10 numentrega NUMERIC 82 valorunitario FK NUMERIC 10 NOT NULL numpedido NUMERIC 4 quantidade itenspedidos 52 20102023 14 SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 53 SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 54 E Estrutura do Data Warehouse RELACIONAL OU MULTIDIMENSIONAL A estrutura de dados do Data Warehouse ou de cada Data Mart que o compõe pode ser construída empregandose estruturas relacionais ou multidimensionais valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 55 A ESTRUTURA DO DATA WAREHOUSE DATA MART NORMALIZAÇÃO X DESNORMALIZAÇÃO No projeto da estrutura do Data Warehouse ou Data Mart opções conscientes de desnormalização controlada sempre podem ser consideradas valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 56 20102023 15 Modelo ESTRELA CUBOS COM UM NÍVEL HIERÁRQUICO NAS DIMENSÕES No modelo estrela os cubos se organizam em torno de uma tabela FATO pedidos A tabela fato inclui as MEDIDAS quantidade preço e valor Em torno do cubo são definidas as DIMENSÕES cliente produtocategoria cidadeestadoregião dimensão geográfica data dimensão temporal Modelo Estrela valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 57 Modelo ESTRELA VANTAGENS E DESVANTAGENS VANTAGENS Modelagem simplificada De fácil compreensão Número reduzido de junções entre tabelas para realização das análises Ótimo desempenho DESVANTAGENS Tabelas de dimensão nãonormalizadas Modelo Estrela valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 58 Modelo ESTRELA ESQUEMA LÓGICO Tabela FATO Chave primária composta pelas chaves primárias de todas as dimensões a dimensão implícita de tempo Possui as chaves estrangeiras FKs de cada tabela DIMENSÃO Inclui todas as MEDIDAS Modelo Estrela NOT NULL VARCHAR 30 nome NOT NULL CHAR 2 codregiao regioes VARCHAR 50 nome NOT NULL CHAR 2 codestado estados NOT NULL VARCHAR 80 nome NUMERIC 5 NOT NULL codcidade cidades NOT NULL NUMERIC 3 codproduto NOT NULL VARCHAR 100 nome produtos NUMERIC 2 NOT NULL codcategoria NOT NULL VARCHAR 50 nome categorias NOT NULL NUMERIC 5 codcliente NUMERIC 3 idade VARCHAR 18 documento VARCHAR 10 NOT NULL genero VARCHAR 20 NOT NULL tipo NOT NULL VARCHAR 100 nome clientes NOT NULL NUMERIC 92 valor NOT NULL NUMERIC 82 preco NUMERIC 4 NOT NULL quantidade FK NOT NULL CHAR 2 codregiao FK NOT NULL CHAR 2 codestado FK NUMERIC 5 NOT NULL codcidade FK NUMERIC 5 NOT NULL codcliente FK NUMERIC 2 NOT NULL codcategoria AK1 FK NUMERIC 3 NOT NULL codproduto NOT NULL DATE data itenspedidos v1 59 Modelo ESTRELA ESQUEMA LÓGICO Simplificação da CHAVE PRIMÁRIA Caso haja uma chave primária natural ela pode ser utilizada Modelo Estrela NOT NULL VARCHAR 30 nome NOT NULL CHAR 2 codregiao regioes VARCHAR 50 nome NOT NULL CHAR 2 codestado estados NOT NULL VARCHAR 80 nome NUMERIC 5 NOT NULL codcidade cidades NOT NULL NUMERIC 3 codproduto NOT NULL VARCHAR 100 nome produtos NUMERIC 2 NOT NULL codcategoria NOT NULL VARCHAR 50 nome categorias NOT NULL NUMERIC 5 codcliente NUMERIC 3 idade VARCHAR 18 documento VARCHAR 10 NOT NULL genero VARCHAR 20 NOT NULL tipo NOT NULL VARCHAR 100 nome clientes NUMERIC 10 NOT NULL numpedido NOT NULL NUMERIC 92 valor NOT NULL NUMERIC 82 preco NUMERIC 4 NOT NULL quantidade NOT NULL DATE data FK NOT NULL CHAR 2 codregiao FK NOT NULL CHAR 2 codestado FK NUMERIC 5 NOT NULL codcidade FK NUMERIC 5 NOT NULL codcliente FK NUMERIC 2 NOT NULL codcategoria FK AK1 NUMERIC 3 NOT NULL codproduto itenspedidos v2 60 20102023 16 Modelo ESTRELA ESQUEMA LÓGICO Simplificação da CHAVE PRIMÁRIA Podese criar uma chave única à SURROGATE KEY Modelo Estrela NOT NULL VARCHAR 30 nome NOT NULL CHAR 2 codregiao regioes VARCHAR 50 nome NOT NULL CHAR 2 codestado estados NOT NULL VARCHAR 80 nome NUMERIC 5 NOT NULL codcidade cidades NOT NULL NUMERIC 3 codproduto NOT NULL VARCHAR 100 nome produtos NUMERIC 2 NOT NULL codcategoria NOT NULL VARCHAR 50 nome categorias NOT NULL NUMERIC 5 codcliente NUMERIC 3 idade VARCHAR 18 documento VARCHAR 10 NOT NULL genero VARCHAR 20 NOT NULL tipo NOT NULL VARCHAR 100 nome clientes NOT NULL INT iditempedido NOT NULL NUMERIC 92 valor NOT NULL NUMERIC 82 preco NUMERIC 4 NOT NULL quantidade NOT NULL DATE data FK NOT NULL CHAR 2 codregiao FK NOT NULL CHAR 2 codestado FK NUMERIC 5 NOT NULL codcidade FK NUMERIC 5 NOT NULL codcliente FK NUMERIC 2 codcategoria FK AK1 NUMERIC 3 NOT NULL codproduto AK1 NUMERIC 10 NOT NULL numpedido itenspedidos v3 61 Modelagem de Dados Multidimensional X Relacional 62 Modelo Lógico Relacional Modelo Relacional F K N O T N U L L N U M E R IC 5 c o d c lie n te IE 1 F K N U M E R IC 5 c o d e m p re s a N O T N U L L D A T E d a ta n a s c im e n to N O T N U L L C H A R 1 g e n e ro A K 1 N O T N U L L C H A R 1 4 c p f p e s s o a s fis ic a s IE 1 F K N U M E R IC 5 N O T N U L L c o d c lie n te N O T N U L L D A T E d a ta e m is s a o N O T N U L L N U M E R IC 1 0 n u m p e d id o p e d id o s IE 2 F K N O T N U L L N U M E R IC 2 c o d c a te g o ria N O T N U L L N U M E R IC 3 p ra z o e n tre g a N U M E R IC 8 2 N O T N U L L p re c o N O T N U L L C H A R 1 im p o rta d o N O T N U L L D A T E d a ta la n c a m e n to IE 1 N O T N U L L V A R C H A R 1 0 0 n o m e N O T N U L L N U M E R IC 3 c o d p ro d u to p ro d u to s IE 2 F K N U M E R IC 2 c o d c a te g o ria p a i IE 1 N O T N U L L V A R C H A R 5 0 n o m e N U M E R IC 2 N O T N U L L c o d c a te g o ria c a te g o ria s F K N U M E R IC 3 N O T N U L L c o d p ro d u to IE 1 F K N U M E R IC 1 0 n u m e n tre g a N U M E R IC 8 2 v a lo r u n ita rio F K N U M E R IC 1 0 N O T N U L L n u m p e d id o N U M E R IC 4 q u a n tid a d e ite n s p e d id o s F K N O T N U L L N U M E R IC 5 c o d c lie n te A K 1 N O T N U L L C H A R 1 8 c n p j N O T N U L L V A R C H A R 1 0 0 ra z a o s o c ia l p e s s o a s ju rid ic a s N O T N U L L N U M E R IC 5 c o d c lie n te N O T N U L L C H A R 1 tip o N O T N U L L D A T E d a ta c a d a s tro IE 1 N O T N U L L V A R C H A R 1 0 0 n o m e c lie n te s tip o tip o N O T N U L L C H A R 1 0 id te le fo n e IE 1 F K N O T N U L L N U M E R IC 5 c o d c lie n te N O T N U L L N U M E R IC 9 n u m e ro N O T N U L L N U M E R IC 2 d d d te le fo n e s IE 2 N O T N U L L V A R C H A R 1 0 0 m o t n o m e N U M E R IC 1 1 N O T N U L L m o t c n h IE 1 N O T N U L L C H A R 8 p la c a N O T N U L L D A T E d a ta N U M E R IC 1 0 N O T N U L L n u m e n tre g a e n tre g a s IE 1 F K N U M E R IC 5 N O T N U L L c o d c id a d e N U M E R IC 2 N O T N U L L c o d e n d e re c o F K N U M E R IC 5 N O T N U L L c o d c lie n te N U M E R IC 8 N O T N U L L c e p V A R C H A R 2 0 c o m p le m e n to N U M E R IC 6 N O T N U L L n u m e ro N O T N U L L V A R C H A R 8 0 ru a e n d e re c o s IE 2 F K N O T N U L L C H A R 2 u f IE 1 N O T N U L L V A R C H A R 8 0 n o m e N U M E R IC 5 N O T N U L L c o d c id a d e c id a d e s N O T N U L L C H A R 2 re g ia o IE 1 N O T N U L L V A R C H A R 5 0 n o m e N O T N U L L C H A R 2 u f e s ta d o s 63 Modelo ESTRELA ESQUEMA LÓGICO Modelo Estrela NOT NULL VARCHAR 30 nome NOT NULL CHAR 2 codregiao regioes VARCHAR 50 nome NOT NULL CHAR 2 codestado estados NOT NULL VARCHAR 80 nome NUMERIC 5 NOT NULL codcidade cidades NOT NULL NUMERIC 3 codproduto NOT NULL VARCHAR 100 nome produtos NUMERIC 2 NOT NULL codcategoria NOT NULL VARCHAR 50 nome categorias NOT NULL NUMERIC 5 codcliente NUMERIC 3 idade VARCHAR 18 documento VARCHAR 10 NOT NULL genero VARCHAR 20 NOT NULL tipo NOT NULL VARCHAR 100 nome clientes NOT NULL INT iditempedido NOT NULL NUMERIC 92 valor NOT NULL NUMERIC 82 preco NUMERIC 4 NOT NULL quantidade NOT NULL DATE data FK NOT NULL CHAR 2 codregiao FK NOT NULL CHAR 2 codestado FK NUMERIC 5 NOT NULL codcidade FK NUMERIC 5 NOT NULL codcliente FK NUMERIC 2 codcategoria FK AK1 NUMERIC 3 NOT NULL codproduto AK1 NUMERIC 10 NOT NULL numpedido itenspedidos v3 64 20102023 17 OUTRO EXEMPLO 65 Modelo Relacional 66 Entidades Sistemas Transacionais Cadastros prévios Muitas tabelas Consultas de alta complexidade Escrita rápida Leitura lenta Normalizado Modelo Relacional 67 Modelo Dimensional Modelo Estrela Star Schema 68 20102023 18 Análise de Dados Sistemas OLAP Online Analytical Processing Modelo Dimensional 69 Tabelas Fato muitas linhas poucos atributos Tabelas Dimensão poucas linhas muitos atributos Modelo Dimensional 70 Consultas de baixa complexidade Atualização esporádica Escrita lenta Leitura Rápida Modelo Dimensional 71 72 20102023 19 Consulta de alta complexidade Exemplo de consulta Clientes do estado de RS que compraram produto da categoria laticínio no último mês 73 Consulta de baixa complexidade Exemplo de consulta Clientes do estado de RS que compraram produto da categoria laticínio no último mês 74
Envie sua pergunta para a IA e receba a resposta na hora
Recomendado para você
1
Modelo de EXEMPLO para Dados da CTPS
Banco de Dados
PUC
6
Critérios de Correção para Consultas SQL e Estruturas de Dados
Banco de Dados
PUC
1
Criação de Tabela para Clientes com Saldo Superior a R$ 5000
Banco de Dados
UNIP
1
Script SQL DDL e DML Criacao e Insercao na Tabela EmpMess
Banco de Dados
UFABC
3
SQL-SELECTS-Conversao-Concatenacao-Funcoes-Data-String-Subconsultas
Banco de Dados
CEUN-IMT
1
Query SQL para Contar Itens Comprados por Cliente com Mínimo de Duas Compras
Banco de Dados
UNICARIOCA
7
Certificacoes Cisco 2023 - Esquema do Banco de Dados e Instrucoes SQL
Banco de Dados
CEUN-IMT
1
Prova P2 Banco de Dados - Modelo Entidade-Relacionamento
Banco de Dados
UNIP
3
Atividade 5: Construção de Grafo da Série Game of Thrones no Neo4J
Banco de Dados
CEUN-IMT
1
Query SQL Contagem de Itens Distintos por Cliente com Filtro
Banco de Dados
UNICARIOCA
Texto de pré-visualização
20102023 1 Inteligência de Negócio Professora Denise Bandeira 1 Qual o total de vendas de produtos e lucro por região geográfica em um período de tempo Qual o lucro de cobertura de seguros por faixa etária modelo e ano de fabricação do bem segurado Qual a relação entre orçamento e desempenho real ao longo do tempo Qual o aumento nas vendas de um produto no período da promoção Quais produtos tiveram queda no mesmo período Alguns exemplos 2 Alguns exemplos 3 Alguns exemplos 4 20102023 2 Alguns exemplos 5 Inteligência de Negócio Business Intelligence BI Origem do termo BI Relatórios Estáticos anos 70 Relatórios Dinâmicos anos 80 Gartner Group anos 90 O que é Inteligência de Negócio 6 Conjunto de processos tecnologias e metodologias que visam a coleta organização análise e interpretação de dados relevantes para apoiar a tomada de decisões estratégicas nas organizações O que é Inteligência de Negócio 7 Definição Estratégias Tecnologias e Práticas Coletar Analisar Interpretar Dados do negócio Informações valiosas Suporte à tomada de decisão O que é Inteligência de Negócio 8 20102023 3 Dados Brutos Informações Significativas Insights Valiosos Planejamento Monitoramento Controle Objetivos Empresariais Objetivo da Inteligência de Negócio 9 Dado X Informação X Conhecimento Sabedoria Conhecimento Informação Dado 10 Dado X Informação X Conhecimento Dado Caneta azul da marca Bic ponta fina Caneta azul marca Pentel ponta fina Caneta azul marca Bic ponta grossa Informação 3 canetas azuis 2 canetas marca Bic 1 caneta marca Pentel 2 canetas ponta fina 1 caneta ponta grossa Conhecimento Insight A marca Bic vende mais que a marca Pentel como promover a Pentel Caneta ponta fina vende mais que ponta grossa como impulsionar a venda de ponta fina 11 SIE SIG SSD SIT Sistemas de Informações Executivas SIE Fornecem informações de apoio para executivos de empresas no nível estratégico Normalmente apresentamse sob a forma de dashboards ou painéis de controle Sistemas de Informações Gerenciais SIG Utilizados por executivos que atuam no nível tático permitindo a geração de relatórios analíticos customizados e eventualmente o teste de cenários Sistemas de Suporte à Decisão SSD São utilizados para auxiliar os tomadores de decisão no nível tático ou operacional a utilizarem dados e modelos na solução de problemas nãoestruturados Sistemas de Informações Transacionais SIT São os sistemas utilizados no nível operacional para o registro das transações empresariais OLTP OLAP Análise das informações em diversos níveis 12 20102023 4 Cases Aplicações da Inteligência de Negócio 13 Análise de Dados Esportivos sports analytics Dados sobre atletas e equipes Suporte para a tomada de decisões esportivas quais jogadores devem ser recrutados quanto pagar de salário a cada atleta quem colocar para jogar quem escolher como treinador como evitar lesões quando atletas devem ser negociados ou aposentados Cases aplicação da Inteligência de Negócio 14 Análise de Dados Esportivos sports analytics Especialidade dentro da área de análise de dados U145 bilhões em receitas anuais U100 bilhões adicionais em apostas legais U300 bilhões em apostas ilegais 2014 U125 milhões gastos em análise de dados 01 2021 U47 bilhões estimativa Análise de Dados Esportivos sports analytics 15 Copa do mundo 2014 Alemanha campeã número de passes velocidade em campo finalizações defesas penalidades Análise de Dados Esportivos sports analytics 16 20102023 5 Livro Moneyball de Michael Lewis de 2003 Filme estrelado por Brad Pitt em 2011 Billy Beane diretor executivo dos Oakland As basebol Análise de dados para fazer um time perdedor começar a ganhar Análise de Dados Esportivos sports analytics 17 Papel do analista de dados neste caso Prospectou jogadores com capacidade de avançar de base Custo baixo para contratação Renegados por outros times E oposição a jogadores que se destacavam em parâmetros mais tradicionais Custo elevado para contratação Análise de Dados Esportivos sports analytics INSIGHTS 18 Vídeo case Oakland As basebol httpswwwyoutubecomwatchv8be9t8gdeu4 Análise de Dados Esportivos sports analytics 19 Preparador físico Garantir que as atletas estejam preparadas para os dias de jogo com a máxima eficiência Evitar lesões Regular a carga de treinamento das atletas Análise de Dados Esportivos sports analytics 20 20102023 6 Sensores em coletes Medir dados internos frequência cardíaca e respiratória e temperatura corporal Medir dados externos acelerômetros distância percorrida e velocidade acelerações e desacelerações Análise de Dados Esportivos sports analytics 21 Área Administrativa Pacotes de ingressos para a temporada renovados X não renovados Compras avulsas motivação Quanto cobrar pelas ingressos Análise de Dados Esportivos sports analytics 22 Estatísticas simples sobre o comportamento dos torcedores dados de públicos totais enquetes sobre a propensão a compras futuras Estratificadas por áreas do estádio Em que público focar nas ações de marketing Análise de Dados Esportivos sports analytics 23 Modelo de precificação dinâmica retrospecto atual da equipe adversário a ser enfrentado as datas e os horários dos jogos histórico de compra de cada torcedor localização de assento informações em tempo real sobre congestionamentos no horário do e condições meteorológicas Análise de Dados Esportivos sports analytics 24 20102023 7 Modelos de fidelidade Sentimento dos torcedores comentários em redes sociais Impacto de ações distribuição de brindes anúncios publicitários na TV Análise de Dados Esportivos sports analytics 25 Tableau visualização de dados e análise painéis interativos relatórios personalizados Formação para trabalhar na área de BI Softwares 26 Power BI Microsoft popular conecta várias fontes de dados visualizações interativas compartilha relatórios Formação para trabalhar na área de BI Softwares 27 QlikView capacidade de associação de dados explorar informações de maneira intuitiva Formação para trabalhar na área de BI Softwares 28 20102023 8 MicroStrategy IBM Cognos Analytics Looker Domo Sisense Formação para trabalhar na área de BI Softwares 29 O que faz um analista de BI httpsyoutubeWWGYc9LdRNs Analista de BI X Analista de Dados minuto 303 até 822 httpsyoutubecjgMzhZwUI Entrevista para Engenheiro de BI na Amazon httpsyoutubeJykUcZf0Mg Carreira na área de BI Vídeos 30 A arquitetura da Inteligência de Negócio BI como estrutura técnica subjacente que suporta o processo de BI 31 Infraestrutura onpremise ou na nuvem EXTRAÇÃO TRANSFORMAÇÃO CARGA FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES 32 20102023 9 Atualizações em tempo real Dados atuais Dados operacionais Dados detalhados Grande volume de dados Atualizações periódicas Dados históricos Dados analíticos Dados sumarizados Baixo volume de dados Processamento transacional de dado Online Transaction Processing Processamento analítico de dados Online Analytical Processing 33 CONCEITUAL LÓGICO FÍSICO Modelagem de Dados de Sistemas OLTP dataCadastro nome pk codCliente Cliente cep uf cidade complemento numero rua Endereco prazoEntrega preco importado dataLancamento nome pk codProduto Produto dataEmissao pk numPedido Pedido 0 1 nonidentifying 0 0 ItemPedido valorUnitario quantidade ItemPedido placa data pk numEntrega Entrega 0 01 nonidentifying nome pk cnh Motorista motorista 1 1 endereco 0 1 genero dataNascimento ak cpf PessoaFisica razaoSocial ak cnpj PessoaJuridica numero ddd Telefone telefones 1 1 codempresa 0 1 nonidentifying FK NOT NULL NUMERIC 5 codcliente IE1 FK NUMERIC 5 codempresa NOT NULL DATE datanascimento NOT NULL CHAR 1 genero AK1 CHAR 14 NOT NULL cpf pessoasfisicas IE1 FK NOT NULL NUMERIC 5 codcliente NOT NULL DATE dataemissao NOT NULL NUMERIC 10 numpedido pedidos IE2 FK NUMERIC 2 NOT NULL codcategoria NUMERIC 3 NOT NULL prazoentrega NOT NULL NUMERIC 82 preco NOT NULL CHAR 1 importado NOT NULL DATE datalancamento IE1 NOT NULL VARCHAR 100 nome NUMERIC 3 NOT NULL codproduto produtos FK NUMERIC 3 NOT NULL codproduto IE1 FK NUMERIC 10 numentrega NUMERIC 82 valorunitario FK NOT NULL NUMERIC 10 numpedido NUMERIC 4 quantidade itenspedidos FK NUMERIC 5 NOT NULL codcliente AK1 NOT NULL CHAR 18 cnpj NOT NULL VARCHAR 100 razaosocial pessoasjuridicas NUMERIC 5 NOT NULL codcliente NOT NULL CHAR 1 tipo NOT NULL DATE datacadastro IE1 NOT NULL VARCHAR 100 nome clientes tipo tipo IE2 NOT NULL VARCHAR 100 motnome NUMERIC 11 NOT NULL motcnh IE1 NOT NULL CHAR 8 placa NOT NULL DATE data NUMERIC 10 NOT NULL numentrega entregas IE1 FK NUMERIC 5 NOT NULL codcidade NUMERIC 2 NOT NULL codendereco FK NUMERIC 5 NOT NULL codcliente NUMERIC 8 NOT NULL cep VARCHAR 20 complemento NUMERIC 6 NOT NULL numero NOT NULL VARCHAR 80 rua enderecos IE2 FK NOT NULL CHAR 2 uf IE1 NOT NULL VARCHAR 80 nome NUMERIC 5 NOT NULL codcidade cidades O processo de modelagem de dados de sistemas transacionais tem por objetivos 1 Modelagem CONCEITUAL Compreender os requisitos necessidades dos futuros usuários do sistema e identificar que dados serão necessários armazenar 2 Modelagem LÓGICA A partir dos requisitos representados identificar as melhores estruturas lógicas de dados ideais para implementação 3 Modelagem FÍSICA Definidas as estruturas lógicas implementar o banco de dados criando suas estruturas de dados 34 Modelagem de Dados de Sistemas OLAP 1 CUBO Os dados são organizados em cubos compostos por N dimensões podem ser mais do que três Cada dimensão avalia um aspecto relevante dos fatos a serem analisados 2 FATO É o fato gerador que será analisado Exemplos vendas de produtos avaliação de alunos etc 3 MEDIDA São os dados numéricos relativos aos fatos e obtidos a partir de operações matemáticas ou estatísticas Exemplos contagem média etc PRODUTOS ESTADOS MESES 35 Infraestrutura on premises ou na nuvem EXTRAÇÃO TRANSFORMAÇÃO CARGA FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES 36 20102023 10 Fontes de dados que irão alimentar os data warehouse eou os datamarts com os dados operacionais provenientes normalmente de sistemas OLTP Rotinas que visam extrair os dados das fontes realizando transformações para padronizalos e normalizalos Depósitos dos dados sumarizados para construção das bases multidimensionais ou CUBOS Rotinas de EXTRAÇÃO TRANSFORMAÇÃO E CARGA DATA WAREHOUSE ou DATA MARTS SISTEMAS TRANSACIONAIS ou outras fontes de dados 37 Modelagem de Dados de Sistemas de Informação Transacionais Como definir a estrutura do Banco de Dados de um Sistema de Informação 38 Infraestrutura on premises ou na nuvem EXTRAÇÃO TRANSFORMAÇÃO CARGA FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES 39 SISTEMAS TRANSACIONAIS e outras fontes de dados Fontes de dados que irão alimentar os data warehouse eou os datamarts com os dados operacionais provenientes normalmente de sistemas OLTP Rotinas que visam extrair os dados das fontes realizando transformações para padronizalos e normalizalos Depósitos dos dados sumarizados para construção das bases multidimensionais ou CUBOS Rotinas de EXTRAÇÃO TRANSFORMAÇÃO E CARGA DATA WAREHOUSE ou DATA MARTS 40 20102023 11 ETL Extração Transformação e Carga 41 Infraestrutura on premises ou na nuvem FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES EXTRAÇÃO TRANSFORMAÇÃO CARGA 42 SISTEMAS TRANSACIONAIS e outras fontes de dados Fontes de dados que irão alimentar os data warehouse eou os datamarts com os dados operacionais provenientes normalmente de sistemas OLTP Rotinas que visam extrair os dados das fontes realizando transformações para padronizalos e normalizalos Depósitos dos dados sumarizados para construção das bases multidimensionais ou CUBOS Rotinas de EXTRAÇÃO TRANSFORMAÇÃO E CARGA DATA WAREHOUSE ou DATA MARTS 43 Modelagem de Dados do Data Warehouse Como definir as estruturas de data warehouses 44 20102023 12 Infraestrutura on premises ou na nuvem FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES EXTRAÇÃO TRANSFORMAÇÃO CARGA 45 Modelagem de Dados Dimensional Como definir as estruturas dos CUBOS 46 Infraestrutura on premises ou na nuvem FONTES DE DADOS ETL DATA WAREHOUSE ou DATA MARTS BASE MULTIDIMENSIONAL ou DATA MART ou CUBO CONSULTAS ou VISUALIZAÇÕES EXTRAÇÃO TRANSFORMAÇÃO CARGA 47 Depósitos dos dados sumarizados para construção das bases multidimensionais ou CUBOS DATA WAREHOUSE ou DATA MARTS 48 20102023 13 Definir quais questões de negócio devem ser respondidas Idenficar os fatos que devem ser analisados na busca pelas respostas a essas questões Definir em que granularidade cada fato deve ser minimamente avaliado Identificar quais dimensões caracterizam cada fato SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS Identificar as medidas relacionadas a cada fato 49 SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS NUMERIC 5 NOT NULL FK codcliente FK IE1 NUMERIC 5 codempresa NOT NULL DATE datanascimento NOT NULL CHAR 1 genero AK1 NOT NULL CHAR 14 cpf pessoasfisicas NUMERIC 5 NOT NULL FK IE1 codcliente NOT NULL DATE dataemissao NUMERIC 10 NOT NULL numpedido pedidos NOT NULL FK IE2 NUMERIC 2 codcategoria NOT NULL NUMERIC 3 prazoentrega NUMERIC 82 NOT NULL preco NOT NULL CHAR 1 importado NOT NULL DATE datalancamento IE1 VARCHAR 100 NOT NULL nome NOT NULL NUMERIC 3 codproduto produtos FK IE2 NUMERIC 2 codcategoriapai IE1 VARCHAR 50 NOT NULL nome NOT NULL NUMERIC 2 codcategoria categorias NOT NULL FK NUMERIC 3 codproduto FK IE1 NUMERIC 10 numentrega NUMERIC 82 valorunitario NUMERIC 10 NOT NULL FK numpedido NUMERIC 4 quantidade itenspedidos NOT NULL FK NUMERIC 5 codcliente AK1 NOT NULL CHAR 18 cnpj VARCHAR 100 NOT NULL razaosocial pessoasjuridicas NOT NULL NUMERIC 5 codcliente NOT NULL CHAR 1 tipo NOT NULL DATE datacadastro VARCHAR 100 NOT NULL IE1 nome clientes tipo tipo NOT NULL CHAR 10 idtelefone NUMERIC 5 NOT NULL FK IE1 codcliente NUMERIC 9 NOT NULL numero NUMERIC 2 NOT NULL ddd telefones VARCHAR 100 NOT NULL IE2 motnome NOT NULL NUMERIC 11 motcnh NOT NULL IE1 CHAR 8 placa NOT NULL DATE data NOT NULL NUMERIC 10 numentrega entregas NOT NULL FK IE1 NUMERIC 5 codcidade NOT NULL NUMERIC 2 codendereco NOT NULL FK NUMERIC 5 codcliente NOT NULL NUMERIC 8 cep VARCHAR 20 complemento NOT NULL NUMERIC 6 numero VARCHAR 80 NOT NULL rua enderecos NOT NULL FK IE2 CHAR 2 uf IE1 VARCHAR 80 NOT NULL nome NOT NULL NUMERIC 5 codcidade cidades NOT NULL CHAR 2 regiao VARCHAR 50 NOT NULL IE1 nome NOT NULL CHAR 2 uf estados 50 SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS valor preco quantidade data pedidos 51 SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS valor preco quantidade data pedidos NUMERIC 5 NOT NULL FK IE1 codcliente NOT NULL DATE dataemissao NUMERIC 10 NOT NULL numpedido pedidos NOT NULL FK IE2 NUMERIC 2 codcategoria NOT NULL NUMERIC 3 prazoentrega NUMERIC 82 NOT NULL preco NOT NULL CHAR 1 importado NOT NULL DATE datalancamento IE1 VARCHAR 100 NOT NULL nome NOT NULL NUMERIC 3 codproduto produtos FK NUMERIC 3 NOT NULL codproduto FK IE1 NUMERIC 10 numentrega NUMERIC 82 valorunitario FK NUMERIC 10 NOT NULL numpedido NUMERIC 4 quantidade itenspedidos 52 20102023 14 SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 53 SELECIONAR O PROCESSO DE NEGÓCIO IDENTIFICAR OS FATOS Modelagem Multidimensional de Dados DEFINIR A GRANULARIDA DE DO FATO IDENTIFICAR AS DIMENSÕES IDENTIFICAR AS MEDIDAS valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 54 E Estrutura do Data Warehouse RELACIONAL OU MULTIDIMENSIONAL A estrutura de dados do Data Warehouse ou de cada Data Mart que o compõe pode ser construída empregandose estruturas relacionais ou multidimensionais valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 55 A ESTRUTURA DO DATA WAREHOUSE DATA MART NORMALIZAÇÃO X DESNORMALIZAÇÃO No projeto da estrutura do Data Warehouse ou Data Mart opções conscientes de desnormalização controlada sempre podem ser consideradas valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 56 20102023 15 Modelo ESTRELA CUBOS COM UM NÍVEL HIERÁRQUICO NAS DIMENSÕES No modelo estrela os cubos se organizam em torno de uma tabela FATO pedidos A tabela fato inclui as MEDIDAS quantidade preço e valor Em torno do cubo são definidas as DIMENSÕES cliente produtocategoria cidadeestadoregião dimensão geográfica data dimensão temporal Modelo Estrela valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 57 Modelo ESTRELA VANTAGENS E DESVANTAGENS VANTAGENS Modelagem simplificada De fácil compreensão Número reduzido de junções entre tabelas para realização das análises Ótimo desempenho DESVANTAGENS Tabelas de dimensão nãonormalizadas Modelo Estrela valor preco quantidade data pedidos idade documento genero tipo nome clientes nome categorias nome produtos nome cidades nome estados sigla regioes 1 0 1 0 1 0 1 0 1 0 1 0 58 Modelo ESTRELA ESQUEMA LÓGICO Tabela FATO Chave primária composta pelas chaves primárias de todas as dimensões a dimensão implícita de tempo Possui as chaves estrangeiras FKs de cada tabela DIMENSÃO Inclui todas as MEDIDAS Modelo Estrela NOT NULL VARCHAR 30 nome NOT NULL CHAR 2 codregiao regioes VARCHAR 50 nome NOT NULL CHAR 2 codestado estados NOT NULL VARCHAR 80 nome NUMERIC 5 NOT NULL codcidade cidades NOT NULL NUMERIC 3 codproduto NOT NULL VARCHAR 100 nome produtos NUMERIC 2 NOT NULL codcategoria NOT NULL VARCHAR 50 nome categorias NOT NULL NUMERIC 5 codcliente NUMERIC 3 idade VARCHAR 18 documento VARCHAR 10 NOT NULL genero VARCHAR 20 NOT NULL tipo NOT NULL VARCHAR 100 nome clientes NOT NULL NUMERIC 92 valor NOT NULL NUMERIC 82 preco NUMERIC 4 NOT NULL quantidade FK NOT NULL CHAR 2 codregiao FK NOT NULL CHAR 2 codestado FK NUMERIC 5 NOT NULL codcidade FK NUMERIC 5 NOT NULL codcliente FK NUMERIC 2 NOT NULL codcategoria AK1 FK NUMERIC 3 NOT NULL codproduto NOT NULL DATE data itenspedidos v1 59 Modelo ESTRELA ESQUEMA LÓGICO Simplificação da CHAVE PRIMÁRIA Caso haja uma chave primária natural ela pode ser utilizada Modelo Estrela NOT NULL VARCHAR 30 nome NOT NULL CHAR 2 codregiao regioes VARCHAR 50 nome NOT NULL CHAR 2 codestado estados NOT NULL VARCHAR 80 nome NUMERIC 5 NOT NULL codcidade cidades NOT NULL NUMERIC 3 codproduto NOT NULL VARCHAR 100 nome produtos NUMERIC 2 NOT NULL codcategoria NOT NULL VARCHAR 50 nome categorias NOT NULL NUMERIC 5 codcliente NUMERIC 3 idade VARCHAR 18 documento VARCHAR 10 NOT NULL genero VARCHAR 20 NOT NULL tipo NOT NULL VARCHAR 100 nome clientes NUMERIC 10 NOT NULL numpedido NOT NULL NUMERIC 92 valor NOT NULL NUMERIC 82 preco NUMERIC 4 NOT NULL quantidade NOT NULL DATE data FK NOT NULL CHAR 2 codregiao FK NOT NULL CHAR 2 codestado FK NUMERIC 5 NOT NULL codcidade FK NUMERIC 5 NOT NULL codcliente FK NUMERIC 2 NOT NULL codcategoria FK AK1 NUMERIC 3 NOT NULL codproduto itenspedidos v2 60 20102023 16 Modelo ESTRELA ESQUEMA LÓGICO Simplificação da CHAVE PRIMÁRIA Podese criar uma chave única à SURROGATE KEY Modelo Estrela NOT NULL VARCHAR 30 nome NOT NULL CHAR 2 codregiao regioes VARCHAR 50 nome NOT NULL CHAR 2 codestado estados NOT NULL VARCHAR 80 nome NUMERIC 5 NOT NULL codcidade cidades NOT NULL NUMERIC 3 codproduto NOT NULL VARCHAR 100 nome produtos NUMERIC 2 NOT NULL codcategoria NOT NULL VARCHAR 50 nome categorias NOT NULL NUMERIC 5 codcliente NUMERIC 3 idade VARCHAR 18 documento VARCHAR 10 NOT NULL genero VARCHAR 20 NOT NULL tipo NOT NULL VARCHAR 100 nome clientes NOT NULL INT iditempedido NOT NULL NUMERIC 92 valor NOT NULL NUMERIC 82 preco NUMERIC 4 NOT NULL quantidade NOT NULL DATE data FK NOT NULL CHAR 2 codregiao FK NOT NULL CHAR 2 codestado FK NUMERIC 5 NOT NULL codcidade FK NUMERIC 5 NOT NULL codcliente FK NUMERIC 2 codcategoria FK AK1 NUMERIC 3 NOT NULL codproduto AK1 NUMERIC 10 NOT NULL numpedido itenspedidos v3 61 Modelagem de Dados Multidimensional X Relacional 62 Modelo Lógico Relacional Modelo Relacional F K N O T N U L L N U M E R IC 5 c o d c lie n te IE 1 F K N U M E R IC 5 c o d e m p re s a N O T N U L L D A T E d a ta n a s c im e n to N O T N U L L C H A R 1 g e n e ro A K 1 N O T N U L L C H A R 1 4 c p f p e s s o a s fis ic a s IE 1 F K N U M E R IC 5 N O T N U L L c o d c lie n te N O T N U L L D A T E d a ta e m is s a o N O T N U L L N U M E R IC 1 0 n u m p e d id o p e d id o s IE 2 F K N O T N U L L N U M E R IC 2 c o d c a te g o ria N O T N U L L N U M E R IC 3 p ra z o e n tre g a N U M E R IC 8 2 N O T N U L L p re c o N O T N U L L C H A R 1 im p o rta d o N O T N U L L D A T E d a ta la n c a m e n to IE 1 N O T N U L L V A R C H A R 1 0 0 n o m e N O T N U L L N U M E R IC 3 c o d p ro d u to p ro d u to s IE 2 F K N U M E R IC 2 c o d c a te g o ria p a i IE 1 N O T N U L L V A R C H A R 5 0 n o m e N U M E R IC 2 N O T N U L L c o d c a te g o ria c a te g o ria s F K N U M E R IC 3 N O T N U L L c o d p ro d u to IE 1 F K N U M E R IC 1 0 n u m e n tre g a N U M E R IC 8 2 v a lo r u n ita rio F K N U M E R IC 1 0 N O T N U L L n u m p e d id o N U M E R IC 4 q u a n tid a d e ite n s p e d id o s F K N O T N U L L N U M E R IC 5 c o d c lie n te A K 1 N O T N U L L C H A R 1 8 c n p j N O T N U L L V A R C H A R 1 0 0 ra z a o s o c ia l p e s s o a s ju rid ic a s N O T N U L L N U M E R IC 5 c o d c lie n te N O T N U L L C H A R 1 tip o N O T N U L L D A T E d a ta c a d a s tro IE 1 N O T N U L L V A R C H A R 1 0 0 n o m e c lie n te s tip o tip o N O T N U L L C H A R 1 0 id te le fo n e IE 1 F K N O T N U L L N U M E R IC 5 c o d c lie n te N O T N U L L N U M E R IC 9 n u m e ro N O T N U L L N U M E R IC 2 d d d te le fo n e s IE 2 N O T N U L L V A R C H A R 1 0 0 m o t n o m e N U M E R IC 1 1 N O T N U L L m o t c n h IE 1 N O T N U L L C H A R 8 p la c a N O T N U L L D A T E d a ta N U M E R IC 1 0 N O T N U L L n u m e n tre g a e n tre g a s IE 1 F K N U M E R IC 5 N O T N U L L c o d c id a d e N U M E R IC 2 N O T N U L L c o d e n d e re c o F K N U M E R IC 5 N O T N U L L c o d c lie n te N U M E R IC 8 N O T N U L L c e p V A R C H A R 2 0 c o m p le m e n to N U M E R IC 6 N O T N U L L n u m e ro N O T N U L L V A R C H A R 8 0 ru a e n d e re c o s IE 2 F K N O T N U L L C H A R 2 u f IE 1 N O T N U L L V A R C H A R 8 0 n o m e N U M E R IC 5 N O T N U L L c o d c id a d e c id a d e s N O T N U L L C H A R 2 re g ia o IE 1 N O T N U L L V A R C H A R 5 0 n o m e N O T N U L L C H A R 2 u f e s ta d o s 63 Modelo ESTRELA ESQUEMA LÓGICO Modelo Estrela NOT NULL VARCHAR 30 nome NOT NULL CHAR 2 codregiao regioes VARCHAR 50 nome NOT NULL CHAR 2 codestado estados NOT NULL VARCHAR 80 nome NUMERIC 5 NOT NULL codcidade cidades NOT NULL NUMERIC 3 codproduto NOT NULL VARCHAR 100 nome produtos NUMERIC 2 NOT NULL codcategoria NOT NULL VARCHAR 50 nome categorias NOT NULL NUMERIC 5 codcliente NUMERIC 3 idade VARCHAR 18 documento VARCHAR 10 NOT NULL genero VARCHAR 20 NOT NULL tipo NOT NULL VARCHAR 100 nome clientes NOT NULL INT iditempedido NOT NULL NUMERIC 92 valor NOT NULL NUMERIC 82 preco NUMERIC 4 NOT NULL quantidade NOT NULL DATE data FK NOT NULL CHAR 2 codregiao FK NOT NULL CHAR 2 codestado FK NUMERIC 5 NOT NULL codcidade FK NUMERIC 5 NOT NULL codcliente FK NUMERIC 2 codcategoria FK AK1 NUMERIC 3 NOT NULL codproduto AK1 NUMERIC 10 NOT NULL numpedido itenspedidos v3 64 20102023 17 OUTRO EXEMPLO 65 Modelo Relacional 66 Entidades Sistemas Transacionais Cadastros prévios Muitas tabelas Consultas de alta complexidade Escrita rápida Leitura lenta Normalizado Modelo Relacional 67 Modelo Dimensional Modelo Estrela Star Schema 68 20102023 18 Análise de Dados Sistemas OLAP Online Analytical Processing Modelo Dimensional 69 Tabelas Fato muitas linhas poucos atributos Tabelas Dimensão poucas linhas muitos atributos Modelo Dimensional 70 Consultas de baixa complexidade Atualização esporádica Escrita lenta Leitura Rápida Modelo Dimensional 71 72 20102023 19 Consulta de alta complexidade Exemplo de consulta Clientes do estado de RS que compraram produto da categoria laticínio no último mês 73 Consulta de baixa complexidade Exemplo de consulta Clientes do estado de RS que compraram produto da categoria laticínio no último mês 74