pÓs-graduaÇÃo lato sensu - fernando zaidan 22 - cubos - 2016.pdf · locação do filme...
TRANSCRIPT
PÓS-GRADUAÇÃO LATO SENSU
Curso: Banco de Dados
Disciplina: Data Warehouse e
Business Intelligence
Professor: Fernando Zaidan
Unidade 2.2 - Cubos2016
PROJETODW/DM
REUNIÕES DE TRABALHODETALHAMENTO DE NECESSIDADESDIMENSÕES-FATOSMÉTRICAS-GRANULARIDADE
DEFINIÇÃO DO ETC-EXTRAÇAÕ-TRANSFORMAÇÃO-CARGA
ETC
1
2
3
45
7
9
8
PROJETO-MODELAGEMDIMENSIONAL
PLANEJAMENTO/ LEVANTAMENTODIFICULDADES DE INFORMAÇÃO GERENCIAL->OBJETIVOINDICADORES ESTRATÉGICOS-MÉTRICAS INICIAISRESTRIÇÕES DE INFORMAÇÕES-ESTRUTURA-TECNOLOGIAINFORMAÇÕES JÁ EXISTENTES NO DW-METADADOSREUNIÕES JAD-PARTICIPAÇÃO INTENSA USUÁRIOSDEFINIÇÃO DE PATROCINADORDEFINIÇÃO DE EQUIPE DE PROJETO
CONTACTOÁREASDE NEGÓCIOS
IMPLEMENTAÇÃO
TESTE 6
ACOMPANHAMENTO
CONSTRUÇÃO
CUBOSRELATÓRIOSANALÍTICOSINFERENCIAIS
Fonte: Carlos Barbieri
Conceitos de Cubos
• São estruturas dinâmicas para gerar os relatórios OLAP;
• Podem ter várias dimensões: tempo, região, produto, etc. Nossa visão consegue perceber até três dimensões no Cubo, mas pode ter mais;
• Cubos diferem de relatórios tradicionais (Transacionais) que são estáticos;
• São estruturas de dados que forma um subconjunto de um banco de dados grande (DW);
• Podem ser manipulados e visualizados por inúmeros ângulos e diferentes níveis de agregação, onde é possível através de suas dimensões (faces ou eixos) analisar uma determinada situação.
Conceitos de Cubos
• Um cubo é criado tendo-se em mente o tipo deconsulta que um gerente de projeto deseja fazer.
• Ao projetar um cubo é importante levar em conta asprováveis consultas que poderão ser feitas.
• O projeto de um cubo deve priorizar a escolha e aorganização das dimensões que podem influenciarnas medidas relacionadas para a tomada de decisão.
• DW e Data Marts são compostos de N cubos;
• Cada cubo é uma visão dimensional de dados formado por:– Uma tabela fato e N tabelas;– Pode ter mais de uma tabela fato, mas nunca
interligadas – as dimensões que as interligam;
• Os cubos são implementados separadamente.
Fonte: Carlos Barbieri
Conceitos de Cubos
Cubo de Dados
• Pode ter n dimensões
• Nós, humanos, só podemos enxergar 3 dimensões ao mesmo tempo
• Operações especiais permitem decompor um cubo de n dimensões em sub-cubos de até 3 dimensões
7
Total
E1
E2
R1
R2
R3
2000
2001
2002
Total Total Total
-- 1 Dimensão --
Ei – Empresa
Rj - Região
Visualiazando as Dimensões
Total
-- 2 Dimensões --
E1 E2
2000
2001
2002
p/E
p/Ano
TotalTotal
E1 E2
R1
R2
R3
R1
R2
R3
p/E
p/R p/Ano
p/R
2000 2001 2002
23/09/2016 BD Multidimensional11
Produto
Fornecedor
Data (Dia)
Vendas =
(Faturamento, Quantidade)
p/Dia, p/Produto, p/Fornecedor
-- 3 Dimensões (Cubo de Dados) --
Implementação dos Cubos
• Cubos como visão dimensional podem sermaterializados/implementados em:
– Consultas OLAP
– Forma física de tabelas relacionais vistas comoestruturas dimensionais
– Views com menor performance
Slice x Dice
• Slice and Dice: seleção e projeção do cubo de dados
– Slice (fatia): seleção / projeção de valores de umadimensão.
Exemplo: as vendas da região Norte
– Dice (dados): seleção / projeção de valores de mais de uma dimensão.
Exemplo: as vendas da região Norte, no ano2001, do Produto X
23/09/2016 BD Multidimensional13
PRODUTO
LOJA
DIA
AQUELE PRODUTO P1VENDEU NAQUELA LOJA L1NAQUELE DIA D1A QUANTIDADE QX NO VALOR VY
(P1,L1,D1)->QX,VY
AQUELE PRODUTO P1,VENDEU EM TODOS OS DIAS, EM TODAS AS LOJASO VALOR(SOMATÓRIO) DE QX E VY
AQUELE SUBCONJUNTO DE PRODUTOSVENDEU NUM SUB CONJUNTO DE LOJASNUM SUBCONJUNTO DE DIAS, AQUELESOMATÓRIO DE QX, NO VALOR VY
Cubos
Exercícios – CubosVendas da Bavária em Uberlândia no Período T4
T4
PeríodoT1 T2 T3
ProdutoAntarctica
Kaiser
Brahma
Bavaria
Skol
LocalizaçãoBetim
IpatingaUberlândia
VendasVendasVendasVendas
Fonte: Rogério Morais
Exercícios - Cubos
Análise do ano 2007
Produtos
Região
All
All
Tempo 2007
Qtd. Vendida
Faturamento
……..
3000 un
R$ 500 000,00
……..
Sul2007
Cafés
2006
2005
Sudeste Norte
Cereais
Balas
RegiãoP
rod
uto
s
Venda
key_produto
key_tempo
key_região
qtd_vendida
faturamento
Produtos
key_produto
descricao
Região
key_regiao
descricao
Tempo
key_tempo
ano
quartil
mes
Modelo Estrela
Cubo
FatoDimensões
Venda
key_produto
key_tempo
key_região
qtd_vendida
faturamento
Venda
key_produto
key_tempo
key_região
qtd_vendida
Faturamento
Tempo
key_tempo
ano
quartil
mes
Dimensões
BH
Contagem
Betim
Locações do Filme “A Ilha” em todas as Cidades e todos os Tempos
A Ilha
Gladiador
Turistas
Filme
Cidade
Tempo
20092008 2010
BH
Contagem
BetimA Ilha
Gladiador
Turistas
Filme
Cidade
Tempo
20092008 2010
Locação do Filme “A Ilha” na Cidade de “BH” todos os Tempos
BH
Contagem
BetimA Ilha
Gladiador
Turistas
Filme
Cidade
Tempo
20092008 2010
Locação do Filme “A Ilha” na Cidade de “BH” no Ano de 2010.
BH
Contagem
BetimA Ilha
Gladiador
Turistas
Filme
Cidade
Tempo
20092008 2010
Locação do Filme “Gladiador”
BH
Contagem
BetimA Ilha
Gladiador
Turistas
Filme
Cidade
Tempo
20092008 2010
Locação do Filme “Gladiador” na Cidade de “Betim”
BH
Contagem
BetimA Ilha
Gladiador
Turistas
Filme
Cidade
Tempo
20092008 2010
Locação do Filme “Gladiador” na Cidade de “Betim” no Ano de 2009.
BH
Contagem
Betim
Locações no Ano de “2008” todas as Cidades e Todos os Filmes
A Ilha
Gladiador
Turistas
Filme
Cidade
Tempo
20092008 2010
23/09/2016 BD Multidimensional26
Navegação em Agregados
• Roll-up: aumentando o nível de agregação. Por exemplo,
• Drill-down: diminuindo o nível de agregação. Por exemplo
→ →
→ →
23/09/2016 BD Multidimensional27
Hierarquias em Dimensões
• As operações roll-up e drill-down são normalmente realizadas segundo Hierarquias (1:N) de Dimensão, mas não necessariamente– Tempo: dia → semana → quinzena → mês →
trimestre → ano– Produto: produto → sub categoria → categoria →
departamento– Fornecedor: fornecedor → cidade → região– EquipeDeVenda: equipe → região
Bibliografia
BARBIERI, Carlos. BI - Business Inteligence: Modelagem e tecnologia. Rio de Janeiro, Axcel Books, 2001.
CAMPOS, M. L. Data Ware Housing. UFRJ, 2007.
COME, Gilberto de. Contribuição ao Estudo da Implementação de Data Warehousing: um caso no setor de telecomunicações – São Paulo : FEA/USP, 2001. 133 p
FANTAUZZI, F. A. C.; ROCHA, Rogério Morais. Diretório de Softwares para Inteligência Competitiva Monografia apresentada ao Departamento de Ciência da informação como requisito para a conclusão do curso de especialização em Gestão Estratégica da Informação da Universidade Federal de Minas Gerais - UFMG, Belo Horizonte, ano de 2006.
FARIA, João Marcos Bonadio de. Artefatos da Semiótica Organizacional na Elicitação de Requisitos para Soluções de Data Warehouse Trabalho final (mestrado profissional) - Universidade Estadual de Campinas, Instituto de Computação, fevereiro de 2006.
Bibliografia
INMON, William. What is Data Warehouse ? UNjobs, acessado em 19 de abril de 2009, disponível em < http://unjobs.org/authors/w.-h.-inmon>
SILBERSCHATZ, Abraham; KORTH, Henry F.; SUDARSHAN, S. Sistema de banco de dados. Tradução da 5ª Edição. São Paulo: Campus, 2006.
TERESKO, John. Information Rich, Knowledge Poor ? IndustryWeek.com, acessado em 19 de abril de 2009, disponível em < http://www.industryweek.com/PrintArticle.aspx?ArticleID=245 >
Obrigado e bom trabalho,
“Aí está o mérito do êxito de meus projetos: sempre fui muito exigente e rigoroso com procedimentos que aparentemente não faziam muito sentido na época.Mais tarde viu-se que esse rigor fez a diferença entre afundar ou não, concluir ou não um projeto”.
Amyr KlinkAmyr KlinkAmyr KlinkAmyr Klink