PÓS-GRADUAÇÃO LATO SENSU - Blog do Fernando Zaidan 21 - Modelagem do DW.pdf · Exemplos de...

PÓS-GRADUAÇÃO LATO SENSU

Curso: Banco de Dados

Disciplina: Data Warehouse e Business Intelligence;

Laboratório

Professor: Fernando Zaidan

Unidade 2.12016

PROJETODW/DM

REUNIÕES DE TRABALHODETALHAMENTO DE NECESSIDADESDIMENSÕES-FATOSMÉTRICAS-GRANULARIDADE

DEFINIÇÃO DO ETC-EXTRAÇAÕ-TRANSFORMAÇÃO-CARGA

ETC

PROJETO FÍSICO DW/DMPROJETO OLAPMINING

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

2

LEVANTAMENTO DE NECESSIDADES

• DEFINIR AS NECESSIDADES DE INFORMAÇÃO PARA O NEGÓCIO:– DIFICULDADES-RESTRIÇÕES SUGEREM

OBJETIVOS• INDICADORES,MÉTRICAS,COMPARATIVOS• SEMPRE OBSERVAR “DIMENSÕES”/COMBINAÇÕES

– MODELO DE DADOS EXISTENTES:– ENTIDADES-RELACIONAMENTOS-ATRIBUTOS-

(KEYS-ORIGINAIS-DERIVADOS)-PROPORÇÕES

– ARQUIVOS, DADOS MANUAIS EXISTENTES

Fonte: Carlos Barbieri3

Data Warehouse

MODELAGEM DIMENSIONAL

• TABELAS FATOS– MÉTRICAS E VALORES

• TABELAS DIMENSÃO– TEXTOS, CAMPOS DIVERSOS

Fonte: Carlos Barbieri 5

A modelagem dimensional é a técnica utilizada para se ter uma visão multidimensional dos dados e não uma visão simplista.

MODELO DIMENSIONALCONCEITOS

VENDAS

PAIS

REGIÃO

ESTADOTRIM

ANO

DIMENSÃOGEOGRAFIA DIMENSÃO

TEMPO

DIMENSÃOPRODUTO

LOJA

CIDADE

DIA

MES

GRANULARIDADE

MÉTRICAS:•QUANTIDADE•VALOR

CATEGORIA

SUBCATEGORIA

PRODUTO

HIERARQUIA DE DIMENSÕES

TABELASDIMENSÃO

TABELAFATO


MODELAGEM DIMENSIONALESTRUTURAS

• SCHEMA ESTRELA:– DIMENSÕES DESNORMALIZADAS– VOLTADO PARA ACESSOS C/ PERFORMANCE– HIERARQUIAS ACHATADAS

• SCHEMA SNOWFLAKE (flocos de neve):– TRADICIONAL+ E/R(TABELAS EM CASCATA)– NORMALIZADO– HIERAQUIAS MANTIDAS– MUITAS TABELAS-->MUITAS JUNÇÕES-1:N

• SCHEMA STARFLAKE– COMBINAÇÃO DAS DUAS– DIMENSÕES COM M X N COM OUTRAS TABELAS



SCHEMA ESTRELA

8


SCHEMA SNOWFLAKE

9

SCHEMA STARFLAKE

GALAXY – vários FATOS

10

MODELO DIMENSIONALCONCEITOS-II

VENDAS

PAIS

REGIÃO

ESTADO

DIMENSÃOGEOGRAFIA

DIMENSÃOPRODUTO

LOJA

CIDADE

MÉTRICAS:•QUANTIDADE•VALOR

CATEGORIA

SUBCATEGORIA

PRODUTO

SNOWFLAKE-TABELAS NORMALIZADAS,INDEPENDENTES, COMJOIN

CATEGORIASUB

CATEGORIAPRODUTO

STAR SCHEMA-DADOS CONSOLIDADOSNUMA MESMA TABELANÃO NORMALIZADAEVITA JOIN

JOIN


MODELO DIMENSIONALCONCEITO STARFLAKE

VENDAS

PAIS

REGIÃO

ESTADOTRIM

ANO

DIMENSÃOGEOGRAFIA DIMENSÃO

TEMPO

DIMENSÃOPRODUTO

LOJA

CIDADE

DIA

MESMÉTRICAS:•QUANTIDADE•VALOR

CATEGORIA

SUBCATEGORIA

PRODUTO

CLIENTE C/C

CARACTE-RISTICAS

M X N

DIMENSÃOCLIENTE


MODELAGEM DIMENSIONAL

• TABELAS FATOS:• CONTÉM VALORES(MÉTRICAS)• PODEM TER VÁRIAS NO SCHEMA/DMART

– ESQUEMA MULTIFATO->N CUBOS– CONCEITO DE CONFORMIDADE DE DIMENSÕES

• PK=CONCATENAÇÃO DE FK DAS DIMENSÕES

• TABELAS DIMENSÕES• PONTOS DE ENTRADA• HIERARQUIAS-NÍVEIS DE QUEBRA• GRANULARIDADE COERENTE COM FATO


GRANULARIDADE DE FATOS E DADOS

– NÍVEL ATÔMICO DE DADOS NA(S) ENTIDADE(S)/TABELA(S) FATO/DIMENSÃO

– POSSIBILIDADES:• NÍVEL DE TRANSAÇÕES(DOCUMENTO-NF)• NÍVEL DE ÍTEM DE UM DOCUMENTO (NF,OC,

OEXPEDIÇÃO, APÓLICE)• TEMPO:

– NÍVEL DIÁRIO– NÍVEL SEMANAL– NÍVEL MENSAL, ETC

• CONSIDERAÇÕES:– VOLUMES DE DADOS– NECESSIDADE DE INFORMAÇÕES P/ NEGÓCIO– DISPONIBILIDADE DO DADO FONTE


MODELO DIMENSIONALGRANULARIDADE

VENDAS

PAIS

REGIÃO

ESTADOTRIM

ANO

DIMENSÃOGEOGRAFIA

DIMENSÃOTEMPO

DIMENSÃOPRODUTO

LOJA

CIDADE

DIA

MESMÉTRICAS:•QUANTIDADE•VALOR

CATEGORIA

SUBCATEGORIA

PRODUTO

ITEMNF

XGRANULARIDADE

MENOR


DIMENSÕES– PONTOS DE ENTRADAS DA ESTRUTURA– DIMENSÕES E SEUS ATRIBUTOS SERVEM TAMBÉM COMO

FILTROS E COMO HEADER DOS RELATÓRIOS

– DIMENSÕES TÍPICAS:• PRODUTO/SERVIÇO-O QUE VENDO• CLIENTE-QUEM COMPRA• TEMPO-QUANDO FOI FEITO A COMPRA• LOCAL(ARMAZÉM,LOJA,ETC)-ONDE• STATUS, PROMOÇÕES-CONDIÇÕES DA COMPRA

– DESCREVER TODOS OS ATRIBUTOS DAS DIMENSÕES– DEVEM SER ATRIBUTOS DESCRITIVOS SEM CAMPOS

NULOS– NORMALMENTE UM DM TEM ENTRE 4-15 DIMENSÕES

• MENOS=FALTOU OBSERVAÇÃO(TEMPO-ESPAÇO-TIPO)• MAIS=DIMENSÕES SUPÉRFLUAS

– SÃO OS DESCRITORES DAS TFATOS– CONCEITO DE SK (surrogate Key – chave sequencial) -

INDEPENDÊNCIA


DIMENSÕESEM HIERARQUIAS

• DIMENSÕES NORMALMENTE TEM HIERARQUIAS• HIERARQUIAS TEM NÍVEIS• NÍVEIS TEM MEMBROS(MEMBERS)• TIPOS DE HIERARQUIA-RELACIONAMENTOS 1:N

– BALANCEADA: N DIFERENTE DE ZERO EM TODOS OS NIVEIS-

• EX: ANO->MÊS->DIA

– DESBALANCEADA: N PODE SER ZERO• EX:ÓRGÃO->DIVISÃO(PODE TER ÓRGÃO SEM DIVISÃO)

– RAGGED: UM DO NÍVEIS PODE NÃO TER MEMBROS• EX: PAIS-ESTADO-CIDADE-EM ISRAEL NÃO TEM ESTADO.

EXISTE SOMENTE CIDADE E PAIS– ESTADO: ASSUME CHAVE DO PAIS OU BRANCO


DIMENSÕESEM HIERARQUIAS

• DIMENSÕES ESPECIAIS PODEM TER MÚLTIPLAS HIERARQUIAS. EXEMPLO: TEMPO

• TEMPO CALENDÁRIO NORMAL– ANO->TRIMESTRE->MÊS->DIA– COMEÇA EM JANEIRO

• TEMPO CALENDÁRIO FISCAL– ANO->TRIMESTRE->MÊS->DIA– COMEÇA EM ABRIL

• OS SERVIDORES OLAP TRATAM A DIMENSÃO TEMPO COMO ESPECIAL

– PODEM SER OBTIDAS DIRETAMENTE DE UMA FONTE SIMPLES-CAMPO DATA DE UMA TABELA

– PODEM SER OBTIDAS DE UMA TABELA FONTE-DIMENSÃO TEMPO BEM PROJETADA-COM DIA, FERIADOS,TAGS DE FIM DE SEMANA, ETC

• NORMALMENTE DEFINE-SE TEMPO COMO UMA DIMENSÃO A SER COMPARTILHADA COM OS CUBOS DO DMART


HIERARQUIAS

REGIÃOVENDA

ESTADO

CIDADE VENDAS

PRODUTO

MES

TRIM

ANODIMENSÕESCLIENTE

DIMENSÃOTEMPO

DIMENSÕESPRODUTO

CLIENTE

DIA

MARCA CLASSE

PAÍS

ZONAVENDA

TERRIT. VENDAS

2 HIERARQUIAS• SHIP TO• BILL TO

CALENDÁRIO NORMALCALENDÁRIO FISCAL


DIMENSÕES COMPARTILHADAS

• A DIMENSÃO É COMPARTILHADA ENTRE VÁRIOS PROJETOS DE DM/DW

• FUNDAMENTAL PARA A INTEGRAÇÃO ENTRE OS VÁRIOS “DMARTS”

• AS DIMENSÕES NORMALMENTE SÃO DESENVOLVIDAS EM SUA MAIOR GRANULARIDADE– TEMPO=> ANO-SEMESTRE-TRIMESTRE-MÊS-DIA– CLIENTE=> TIPO-CLIENTE– GEOGRAFIA==>PAIS-REGIÃO-ESTADO-CIDADE-LOJA

• AS DIMENSÕES PODEM SER COMPARTILHADAS EM HIERARQUIAS PARCIAIS. POR EX: CATEGORIA->SUBCATEGORIA->PRODUTO. SOMENTE VOU COMPARTILHAR NO MEU CUBO CATEGORIA, OU CATEGORIA->SUBCATEGORIA. DESABILITO O NIVEL INDESEJÁVEL(AUTOMATICAMENTE DESABILITAM OS NIVEIS MENORES)


DIMENSÃO TEMPO

• (QUASE) SEMPRE PRESENTE NOS MODELOS DIMENSIONAIS• TABELA DIMENSÃO TEMPO PADRÃO:

– CHAVE DE DATA(PK)– DATA-COMPLETA(01-01-2010)– DIA-SEMANA(6A FEIRA)– NÚMERO-DIA-MÊS(01)– NÚMERO-DIA-GERAL(CORRIDO NO ANO)(01 a 365)– NÚMERO-SEMANA-ANO(01 a 52)– NÚMERO-SEMANA-GERAL(CORRIDO)– MÊS– NÚMERO-MÊS-GERAL(CORRIDO)– TRIMESTRE– PERÍODO-FISCAL– TAG-DIA-SEMANA– TAG-ÚLTIMO-DIA-MÊS


DIMENSÃO CLIENTE• MAIOR DETALHAMENTO POSSÍVEL, COM MODELAGEM DOS

ATRIBUTOS COM ALTA INDEPENDÊNCIA ENTRE ELES• TABELA DIMENSÃO CLIENTE PADRÃO:

– CHAVE (PK)

– SAUDAÇÃO EX:MR– ESTILO DE SAUDAÇÃO EX:PROFISSIONAL– PRENOME E MEIO-NOME EX:R. JAMES– SOBRENOME EX: WOOD– SUFIXO EX:JR– ETNIA DO NOME EX:INGLÊS– GÊNERO EX:MASCULINO– TÍTULO EX:ADVOGADO– RELACIONAMENTO

EX:REPRESENTANTE DE JOHN DOE– ORGANIZAÇÃO EX:ABC GENERIC POWER– SUB-ORGANIZAÇÃO

EX:DEPARTAMENTO JURÍDICO– ……


CHAVES DE DIMENSÕESE DE FATOS

• RECOMENDAÇÃO - USAR SURROGATE KEY(SK)• SK=CHAVE SEQUENCIAL, SEM SENTIDO

EMBUTIDO• CRIA MAIOR ESTABILIDADE• EVITA CONFLITO DE MUDANÇAS DE CHAVES E

DE SUAS SEMÂNTICAS• EVITAR/TER CUIDADO COM O USO DE SMART

KEY(CHAVES COM SEMÂNTICA EMBUTIDA)• 4 BYTES: 2 BILHÕES DE OCORRÊNCIAS DE SK


CHAVES SURROGATE

K1

TFATO

K1 MÉTRICAS

DIMENSÃO

P S

S

CHAVE SURROGATE:NÚMERICA, NEUTRAGERADA, SEQUENCIALTIPO IDENTITYNORMALMENTE 4 BYTES

24

FATOS E DADOS– ESCOLHER PARA CADA TFATO OS ATRIBUTOS

NUMÉRICOS E ADITIVOS– TÍPICOS:

• QUANTIDADE VENDIDA• VALOR VENDIDO• CUSTO DO PRODUTO (VENDIDO)• LUCRO• CONSUMO

– MANTER CONFORMIDADE/COERÊNCIA TAMBÉM ENTRE FATOS E AS MEDIDAS/VALORES , COM O MESMO SENTIDO, FÓRMULAS DE CÁLCULOS, ETC

– GRANULARIDADE DA TFATO ESTA DIRETAMENTE RELACIONADA COM A DAS TDIM

– LEMBRE-SE PORÉM: AS TFATOS SÃO GIGANTESCAS(ALTO VOLUME) E ISSO REQUER COMPROMISSOS NA ESCOLHA DE SEUS CAMPOS


FATOS E DADOS• ESCOLHER COM CUIDADO OS CAMPOS, DEVIDO AO

TAMANHO EXPONENCIAL DAS TFATOS• ETERNO COMPROMISSO ENTRE PERFORMANCE E

ARMAZENAMENTO• CAMPOS CANDIDATOS A REMOÇÃO:

– CAMPOS USADOS POR POUCOS USUÁRIOS– CAMPOS POTENCIALMENTE DERIVADOS

• EX: VALOR UNITÁRIO E QUANTIDADE DO ITEM• ARMAZENO O VALOR TOTAL DA VENDA DO

ÍTEM????(V.UNITÁRIO*QUANTIDADE)

– CAMPOS QUE NÃO TENHAM VALOR DE NEGÓCIO – CAMPOS DE DIMENSÕES DEGENERADAS, COMO NÚMERO

DE ORDEM/PEDIDOS, CASO A GRANULARIDADE SEJA O ITEM DESSAS ENTIDADES

• ANALISAR O TAMANHO DE CADA CAMPO– USE CHAVES SURROGATE QUANDO POSSÍVEL(CHAVE DEFINIDA

PELO PROJETO, SEM SIGNIFICADO INTRÍNSECO)


FATOS E DADOSHETEROGENEIDADE

• PRODUTOS HETEROGÊNEOS• INDÚSTRIA FINANCEIRA• CONTA CORRENTE, SEGURO,EMPRÉSTIMO,

POUPANÇA,HABITAÇÃO, ETC• DIFERENTES FATOS E DADOS PARA CADA

LINHA DE NEGÓCIO• DIMENSÕES COMUNS(CLIENTES, AGÊNCIAS)• ESTRATÉGIA:

– MÚLTIPLAS TABELAS FATO E DADOS ESPECÍFICOS– DIMENSÕES ÚNICAS E CONFORMES


CLIENTE

AGÊNCIAS

CONTAS

BANCO PRODUTOS

É FORMADO DE

PERTENCEM A

ASSOCIADOS A

TRABALHAM COM

CARTÃOCRÉDITO

CONTACORRENTE

CONTAPOUPANÇA

EMPRÉSTIMOSFH

INVESTIMENTO

EMPRÉSTIMOPESSOAL

DOMICÍLIO

POSSUEM

ASSOCIADOS A

ASSOCIADOS A

RELATIVAS A

CLASSIFICADOS EM

POSSUEM

ASSOCIADOS A


SALDO

CONTA

AGÊNCIA

CHAVE-CONTACHAVE-AGÊNCIACHAVE-PRODUTOCHAVE-TEMPO

MÉTRICA

TEMPO

PRODUTO

FATOS MULTI-DADOS


CONTAAGÊNCIA TEMPO

FATOSCHAVE-CONTACHAVE-PRODUTO-EMP.PESSOALCHAVE-TEMPOCHAVE-AGÊNCIA

PRODUTOEMP.

PESSOAL

MÉTRICASEMP.PESSOAL

FATOSCHAVE-CONTACHAVE-PRODUTO-C.CRÉDITOCHAVE-TEMPOCHAVE-AGÊNCIA

PRODUTOC.CRÉDITO

MÉTRICASC.CRÉDITO

FATOSCHAVE-CONTACHAVE-PRODUTO-INVESTIMENTOCHAVE-TEMPOCHAVE-AGÊNCIA

PRODUTOINVESTIMENTO

MÉTRICASINVESTIMENTO

FATOSCHAVE-CONTACHAVE-PRODUTO-SFHCHAVE-TEMPOCHAVE-AGÊNCIA

PRODUTOSFH

MÉTRICASSFH

FATOSCHAVE-CONTACHAVE-PRODUTO-POUPANÇACHAVE-TEMPOCHAVE-AGÊNCIA

PRODUTOPOUPANÇA

MÉTRICASC.POUPANÇA

FATOSCHAVE-CONTACHAVE-PRODUTO-C.CORRENTECHAVE-TEMPOCHAVE-AGÊNCIA

PRODUTOC.CORRENTE

MÉTRICASC.CORRENTE

DIMENSÕESCOMPARTILHADAS

DIMENSÕES ESPECIALIZADAS


DADOS E FATOS

• ALGUMAS FERRAMENTAS CONSIDERAM A TFATO COMO MAIS UMA DIMENSÃO

• FACILITA O USO DE EXPRESSÕES• OS VALORES DA TFATO ESTÃO SEMPRE ASSOCIADOS A

ELEMENTOS FOLHA DAS DIMENSÕES• LEMBRAR QUE AS FATOS PODERÃO SER PROCESSADAS

POR VÁRIOS TIPOS DE ELABORAÇÃO:– SOMA ( MAIS COMUM)– VALOR MÁXIMO, MÍNIMO, CONTADOR,

CONTADOR(DISTINTO)• AS CÉLULAS DA TFATO PODEM SER CALCULADAS EM

FUNÇÃO DE VALORES DE OUTRAS CÉLULAS DA MESMA TFATO-SÃO OS MEMBROS CALCULADOS– EX: MÉDIA=TOTAL VENDAS/TOTAL UNIDADES VENDIDAS


DADOS E FATOS

• CONCEITO DE ELEMENTO VIRTUAL– ELEMENTO DEFINIDO NA TFATO, COMO MEDIDA– CALCULADO EM FUNÇÃO DE OUTRO ELEMENTO DA

MESMA DIMENSÃO– POR EXEMPLO: DEFINO UM CAMPO VIRTUAL EM

TFATO CHAMADO MEDIDA DOBRADA– FAÇO MEDIDA DOBRADA= 2 * VALOR DO PRODUTO– FUNCIONA COMO SE TIVESSE DEFINIDO UM NOVO

MEMBRO DE PRODUTO, CUJOS VALORES NA TFATO SÃO SEMPRE O DOBRO DO PRODUTO


Passos da ModelagemDimensional

Definição da área de negócios;

Definição da granularidade- Menor – mais espaço;- Maior – menos espaço;

Definição das tabelas dimensão;Normalização das tabelas dimensao;- Star Schema - ÑN- Snow Flakes Relacionamento dos atributos da tabela dimensão- Podem possuir ou não relacionamentoDefinição dos atributos da tabela fato- Definição das chaves- Definição das Métricas

Erros Comuns a Evitar emProjetos de Data Warehouse

• Aceitar a premissa de que os responsáveis pelos sistemasoperacionais da organização são muito importantes e ocupadospara gastar tempo com a equipe de DW.

• Assegurar para o pessoal de suporte do DW escritóriosagradáveis no prédio da TI, que fica próximo dos usuários denegócio.

• Treinar cada usuário em cada característica da ferramenta deacesso a dados. Adiar o treinamento sobre conteúdo de dadosporque a aula usa dados falsos (os dados reais não estarãoprontos nos próximos dois meses).

34Fonte: Marcos André Gonçalves

Erros Comuns a Evitar emModelagem Dimensional

• Colocar atributos de texto numa tabela de fatos.• Limitar atributos em dimensões para economizar espaço.• Ignorar a necessidade de cuidar de mudanças em atributos

de dimensões.• Resolver todos os problemas de desempenho de consultas

adicionando mais hardware.• Projetar o modelo dimensional baseado em um

relatório específico.

35

Fonte: Marcos André Gonçalves

Erros Comuns a Evitar emModelagem Dimensional

• Não conversar com os usuários de negócio.

• Não encorajar os usuários de negócio a dar feedbackcontínuo ao longo do ciclo de desenvolvimento sobre novasfontes de dados e métricas chaves de desempenho que elesgostariam de acessar, e não assegurar a inclusão dessesrequisitos na release em desenvolvimento.

36Fonte: Marcos André Gonçalves

Exemplos de Modelagem

Exemplo 1DER – Sistema de Locadora

Exemplo 1DW – Sistema de Locadora

Debate: PK na Tabela Fato

Qual o motivo usar a PK da tabela Fato, composta das FK dasDimensões, e não usar um novo atributo SK?

Agora, a resposta à questão inicial?

1. As chaves que vêm das Dimensões são suficientes para gerar a PK composta da Fato , não necessitando de mais um atributo na Fato.2. Se adicionarmos uma nova coluna na Fato, somente para gerar uma PK, pode criar um overhead desnecessário na manutenção desta tabela, uma vez que nenhuma consulta seria feita por esse campo .

Em primeiro lugar, está claro porque precisamos das PKs das Dimensões como FK da Fato?Para criamos o relacionamento PAI – FILHO (1-N) entre elas. Deste modo, conseguindo relacionar as tabelas.

Exemplo 2DW – Sistema Acadêmico

ERROS

Exemplo 3DW – Sistema Acadêmico

Exemplo 4 - DER - Sistema Vendas 1

Ideia para modelagemExemplo 4 - Sistema Vendas

Exemplo 4 - DW - Sistema Vendas

Exemplo 5 - DER - Sistema Vendas 2

Exemplo 5 - DW - Sistema Vendas 2Resolver o problema de Key Violation

FCS-EM PROJETOS DE DW

• DEFINIR UMA ORIENTAÇÃO METODOLÓGICA– DW OU DMART GRADATIVO-DMART ISOLADO– RALPH KIMBALL - BILL INMON

• DEFINIR UMA ARQUITETURA TECNOLÓGICA CONSISTENTE, MODERNA, EVOLUTIVA

– INTERFACE WEB É UM DIREFERENCIAL

• DEFINIR UMA METODOLOGIA PRÁTICA, ENXUTA, INTERATIVA,REFINAMENTOS SUCESSIVOS E PRODUTOS ENTREGUES EM PRAZO RAZOÁVEL

• DEFINIR EQUIPE, COM PRESERVAÇÃO DO CONHECMENTO APÓS O TÉRMINO DO PROJETO

– CUIDADO COM TERCEIROS-CONSULTORES

• OBTER PATROCINADORES FORTES PARA O PROJETO, COM OBJETIVOS DIRETOS NO NEGÓCIO DA EMPRESA

• DESENVOLVER UM FORTE ESQUEMA DE DEMONSTRAÇÃO DOS PRODUTOS DESENVOLVIDOS(VENDER BEM)

Fonte: Carlos Barbieri

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,

[email protected]

“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

PÓS-GRADUAÇÃO LATO SENSU - Blog do Fernando Zaidan 21 - Modelagem do DW.pdf · Exemplos de...

Documents

Transcript of PÓS-GRADUAÇÃO LATO SENSU - Blog do Fernando Zaidan 21 - Modelagem do DW.pdf · Exemplos de...