Banco de dados

1. Banco de dados multidimensionais

2. Gestão Sistema de Informação • Luciano Santos • Plínio Silva • Bruno Assis • Erilson Vieira • Cleyton Gomes • Jefferson Alves • Fidias Alves S.I.P.E.

3. Gestão Sistema de Informação Banco de dados multidimensionais • Profª: Márcia Passos S.I.P.E.

4. Conteúdo da Apresentação • O que é BD Multidimensional? • Características • Data Warehouse • Ferramentas OLAP S.I.P.E.

5. Conteúdo da Apresentação • Modelo BD Multidimensional • Agrupamento de Informações: Dimensões, Medidas, Fatos e Agregações. • Modelo Cubo • Estrutura de BD Multidimensional • Hipercubos • Multicubos • Qual o Melhor? • Estudo Caso de Uso • Conclusão • Referências S.I.P.E.

6. Introdução Banco de dados multidimensionais (alguns autores chamam de dimensionais) tem o propósito de fornecer subsídio para realização de análises. Para tanto, sua arquitetura e até mesmo a terminologia empregada são distintas das utilizadas para bancos de dados transacionais. O fato de existirem diversas informações a serem cruzadas (dimensões) permite a realização de pesquisas mais detalhadas para tomada de decisão. S.I.P.E.

7. O que é BD Multidimensional? • Um banco de dados multidimensional é uma forma de banco de dados que é projetado para fazer o melhor uso de armazenar e utilizar dados. S.I.P.E.

8. O que é BD Multidimensional? • Normalmente estruturado, a fim de otimizar o processamento analítico online (OLAP) e aplicações de data warehouse. • O banco de dados multidimensional pode receber dados de uma variedade de bancos de dados relacionais e estruturar as informações em categorias e seções que podem ser acessados em um número de maneiras diferentes. S.I.P.E.

9. Características BD Multidimensional • O modelo multidimensional reflete a maneira de pensar dos especialistas de negócios e responde às suas necessidades de informações. • A tecnologia relacional de bancos de dados possibilita ao data warehouse ser utilizado para responder as questões de forma rápida e precisa. S.I.P.E.

10. Características BD Multidimensional Para isso, são necessários três componentes essenciais: • Os dados provenientes das várias fontes distribuídas pela empresa e armazenados em um único local; • Ferramentas que possibilitem a análise das informações armazenadas de forma rápida, flexível com alta qualidade de apresentação; • O conhecimento do especialista de negócios. S.I.P.E.

11. Data Warehouse • Um Data Warehouse é uma base de dados, geralmente relacional, que consolida as informações empresariais. S.I.P.E.

12. Ferramentas OLAP • Existem inúmeras ferramentas disponíveis no mercado chamadas de OLAP. • Permitem ao usuário visualizar os vários níveis de detalhamento da informação, sob as visões das diferentes dimensões definidas no modelo. On-Line AnalyticalProcessing S.I.P.E.

13. OLAP Server Metadata Analysis Query Reports Data mining Serve Data Warehouse Extract Transform Load Refresh Data Marts Data Storage OLAP Engine Front-End Tools Contexto do OLAP e DW other sources Operational DBs S.I.P.E. Data Sources

14. OLAP / Data Warehouse S.I.P.E.

15. Arquitetura Ferramentas OLAP • Os dados são modelados em uma estrutura multidimensional conhecida por “cubo”. As dimensões do cubo representam os componentes dos negócios da empresa, tais como "cliente", "produto", "fornecedor" e "tempo". S.I.P.E.

16. Arquitetura - OLAP • Para conhecermos a arquitetura de OLAP é preciso conhecer seus termos • Cubo • Dimensão • Hierarquia • Membro • Medidas S.I.P.E.

17. Figueiredo (1998) - OLAP • Os sistemas OLAP ajudam os analistas e os gerentes a sintetizarem as informações sobre a empresa através de comparações, visões personalizadas, análises estatística, previsões e simulações S.I.P.E.

18. Modelo BD Multidimensional • As análises sobre dados históricos envolvem uma série de possibilidades de cruzamentos e agrupamentos de informações, com o uso dos seguintes termos: S.I.P.E.

19. Modelo BD Multidimensional • Dimensões: estabelecem a organização dos dados, determinando possíveis consultas/cruzamentos. Por exemplo: região, tempo, canal de venda • Medidas: são os valores a serem analisados, como médias, totais e quantidades; • Fatos: são os dados a serem agrupados, contendo os valores de cada medida para cada combinação das dimensões existentes; • Agregações: totalizações calculadas nos diversos níveis hierárquicos. S.I.P.E.

20. Modelo BD Multidimensional S.I.P.E.

21. Exemplo: Modelagem dos Dados Vídeo Multidimensional Fonte: http://www.youtube.com/watch?v=kx19CV4MyNg S.I.P.E.

22. Cubo Dimensões • Hierarquia: • Geografia • País • Estado • Cidade • Etc... Membros Modelo Cubo Produto Florianópolis Lages Geografia Medidas: É representadaporumadimensãoespecial utilizadapararealizarcomparações. Incluimembroscomo: custos, lucrosoutaxas. Trombudo Central Curitibanos 1999 Leite Pão 2000 Chá 2001 Tempo Água 2002 S.I.P.E.

23. Estrutura de BD Multidimensional • São sistemas proprietários que não seguem padrões, ou seja, cada desenvolvedor cria a sua própria estrutura para o banco de dados, isto é, para armazenar o cubo e usa as suas próprias ferramentas para acessá-lo. S.I.P.E.

24. Alicerce em Cubos Estrutura de BD Multidimensional • Quando o modelo multidimensional é processado, nova base é gerada, desta vez contendo tanto os dados quanto as agregações em formato próprio, utilizando-se de estruturas apropriadas para pesquisas. S.I.P.E.

25. Estrutura de BD Multidimensional Cubo com três dimensões • Representação de um cubo com as dimensões Produto, Região e Tempo.

26. Estrutura de BD Multidimensional Esparsos S.I.P.E.

27. Estrutura de BD Multidimensional Tipos de Cubo Podem apresentar seus dados para uma aplicação usando dois tipos de cubos: • Hipercubos • Multicubos. S.I.P.E.

28. Estrutura de BD Multidimensional Hipercubo • Todosos dados aparecem logicamente como um simples cubo. • Todas as múltiplas partes representadas pelo hipercubo têm idêntica dimensionalidade, isto é, cada pedaço é de igual tamanho. S.I.P.E.

29. Estrutura de BD Multidimensional Vantagem • A vantagem desta abordagem é o rápido tempo de resposta, independente do número de dimensões envolvidas

30. Estrutura de BD Multidimensional Multicubos • dado é segmentado em um conjunto de cubos pequenos (subcubos), cada qual é composto de um subconjunto das dimensões avaliadas. • Por exemplo, nos dados das vendas podemos colocar em um cubo as dimensões produto, região e mês, em outro as dimensões produto, vendedor e região, e em outro as dimensões produto, vendedor e mês.  S.I.P.E.

31. Estrutura de BD Multidimensional Vantagem • São a menor utilização de espaço de armazenamento em disco, por diminuir o problema dos dados esparsos, e o melhor desempenho em consultas em um único cubo.

32. Estrutura de BD Multidimensional Qual o melhor? • Multicubos são mais eficientes e versáteis; • Hipercubos são mais fáceis para entender; • Usuário deve reconhecer melhor hipercubos pela sua simplicidade de uso; • Produtos mais sofisticados tendem a usar multicubos;  • No hipercubo, cada dimensão pertence a um único cubo; • Em um multicubo, a dimensão pode fazer parte de múltiplos cubos.

33. Estudo de Caso DELLA VIA • Nome fantasia do cliente Della Via Pneus • Sede Rua Professor Arnaldo João Semeraro, 164 Jd. Santa Emília - São Paulo – SP CEP 04184-000 www.dellavia.com.br S.I.P.E.

34. Estudo de Caso Desafios • Ter um ERP que pudesse acompanhar o crescimento da Della Via • Necessidade de acompanhamento fiscal • Centralização das informações e organização da empresa • Agilidade na tomada de decisão • Conformidade com a legislação • Integração das informações numa única ferramenta • Controle das informações

35. Estudo de Caso Resultados Produtos & Serviços da TOTVS neste cliente • Utiliza 18 módulos do ERP TOTVS Varejo • BI (Business Intelligence) Depoimento“Temos 700 profissionais usando o ERP, desde a nossa frente de lojas até BI. Nós não temos nenhum outro sistema paralelo na empresa, somos 100% TOTVS. Ganhamos em agilidade no atendimento dos clientes, que por sua vez ficaram mais satisfeitos”. S.I.P.E.

36. Conclusão • Nesta apresentação, procuramos percorrer assuntos pouco divulgados e com pouca bibliografia. Abordamos as estruturas de dados mais comumente encontradas em gerenciadores relacionais e analíticos. • Esperamos que todos possam escolher melhor, e entender as características de cada modelo de dados abordados nesta apresentação. Agradecemos à todos! • O desenvolvimento de sistemas analíticos são cada vez mais comum. Embora haja ferramentas de diversos fornecedores, de nada elas adiantam se a modelagem de dados e o paradigma analítico não forem compreendidos. S.I.P.E.

37. Referências • SISNEMA. Disponível em: <http://sisnema.com.br/Materias/idmat013979.htm> • MICROSOFT. Disponível em: < http://msdn.microsoft.com/pt-br/library/cc518031.aspx> • BATEBYTE. Disponível em: <http://www.batebyte.pr.gov.br/modules/conteudo/conteudo.php?conteudo=1732> • ABEPRO. Disponível em: <http://www.abepro.org.br/biblioteca/ENEGEP1998_ART222.pdf> • FIGUEIREDO, A. M. C. M. (1998) Molap x Rolap: Embate de Tecnologias para Data Warehouse, Developers’ Magazine, ano 2,n. 18, p. 24-25, fev. • FORSMAN, S. (1997). OLAP Council White Paper. OLAP Council. • TOTVS. Clientes. 28 setembro 2011. Disponívelem: <http://www.totvs.com/clientes/casos-de-sucesso/dellavia-pneus>