Introdução aos conceitos de Business Intelligence

BUSINESS INTELLIGENCE: O QUE É E O QUE ENVOLVE ESTE TERMO?

EMERSON HENRIQUE SOARES SILVAemerson .hss@gmai l .com

Introdução aos conceitos de Business Intelligence

08/04/2023Emerson Henrique S. Silva

2

Quem é este que vos fala?

Aluno concluinte do curso de Ciência da Computação da ASPER

Há 1 ano e 2 meses sou Analista e Desenvolvedor de Sistemas para Web da Ativasystems (Divisão de desenvolvimento de Software da Ativaweb)


3

Agenda

IntroduçãoBusiness Intelligence (BI)Data Warehouse (DW)Data Mart (DM)Abordagens de implementação de DWArquiteturas de DWModelagem DimensionalOLAPOLAP x OLTPData MiningGrupo(s) de PesquisaProposta de Projeto Inicial


4

Introdução

Era da Economia da InformaçãoEmpresa precisão mais do que operar,

funcionarPrecisam de conhecimento, sobre si e sobre

os demaisPrecisam aprender com erros e acertos


5

Introdução

Sistemas de Informação e seus espaços de negócio

Patamar conhecido Operacional

Foco nas tarefas No realizar trabalho

Busca por novos patamares: Gerencial

Foco no planejamento Alocação de Recursos Orçamentos

Estratégico Relacionada ao gerencial Intenções estratégicas Produtos/Serviços e seus

benefícios para os clientes

Estratégico

Gerencial

Operacional


6

Introdução

Patamar estratégico dos Sistemas de Informações dão apoio aos processos de tomadas de decisões nas organizações.

O conceito de Business Intelligence (BI), ou Inteligência de Negócios, ganha espessura neste cenário.

BI pode ser entendido como um guarda-chuva conceitual que envolve Inteligência Competitiva, ou Competitive Intelligence (CI), Gerência de Conhecimentos, ou knowledge Management System (KMS), Internet Business Intelligence (IBI), pesquisa e análise de mercados, etc. [BARBIERE, 2001]


7

Business Intelligence (BI)

“Business Intelligence representa a habilidade de se estruturar, acessar e explorar informações, normalmente guardadas em Data Warehouses e Data Marts, com o objetivo de desenvolver percepções, entendimentos, conhecimentos, os quais podem produzir um melhor processo de tomada de decisão”. (BARBIERE, 2001)

Business Intelligence é um termo genérico para descrever o levantamento de informações sobre os ativos internos e externos da organização para tomar melhores decisões de negócios [KIMBALL e ROSS, 2002].

Para Moss e Atre (2003) o BI não é um produto, nem um sistema. É uma arquitetura e uma coleção de aplicações e bancos de dados com acesso facilitado aos dados e que provê suporte a tomada de decisão.


8

Business Intelligence (BI)


9

Data Warehouse (DW)

Sobre Data Warehouse (DW) ou Armazéns de Dados, Machado (2007) afirma que representa uma grande base de dados capaz de integrar, de forma concisa e confiável, as informações de interesse para a empresa que se encontram espalhadas pelos sistemas operacionais e em fontes externas, para posterior utilização nos sistemas de apoio à decisão.

Segundo Barbiere (2001), Data Warehouse pode ser definido como um banco de dados, destinado a sistemas de apoio a decisão e cujos dados foram armazenados em estruturas lógicas dimensionais, possibilitando o seu processamento analítico por ferramentas especiais (OLAP e Mining).


10

Data Warehouse (DW)

CaracterísticasSegundo [INMON, 1997 apud ZORZIN,

2006], um DW é um conjunto de dados... orientados por assuntos, integrados, não voláteis, variáveis em relação ao tempo e que apóiam a tomada de decisões.


11

Data Warehouse (DW)

Pedido e nota fiscal são etapas do processo transacional de uma venda Vendas são assuntos de empresa de interesse estratégico

Informações sobre quantidades vendidas, sobre lucros e observações de resultados de ações de marketing


12

Data Warehouse (DW)

O DW é alimentado por outras fontes de dados, que podem trazer dados representados de formas diferentes, mas que possuem o mesmo significado.

Por este motivo os dados devem ser integrados e padronizados.


13

Data Warehouse (DW)

O DW só permite duas operações básicas: a inclusão inicial e incremental de novos dados e o acesso somente para leitura a estes dados, isto é, não existem alterações nem exclusões dos dados do DW, isso para evitar impasses e atualizações registro a registro.


14

Data Warehouse (DW)

Variáveis em relação ao Tempo O DW deve ser carregado periodicamente através de

um processo batch (em lotes). E deve ser armazenada uma ou mais referências

temporais sobre os dados carregados, de modo que seja possível verificar o histórico desses dados.

O tempo é uma característica importante para tomada de decisões, por isso os dados do DW devem variar em relação a suas referências de tempo.


15

Data Warehouse (DW)

Dados que apóiam a tomada de decisões O DW é construído sobre um modelo

multidimensional Centralizar os fatos pelas dimensões dos negócios

Organização lógica dos negócios da organização sobre esse modelo permite um acesso facilitado de ferramentas para análise dos negócios, e o resultado dessas análises permitem visualizar cenários passados, atuais e possíveis da organização, gerando informações estratégicas que possibilitem a tomada de decisões de melhorias e evoluções.


16

Data Mart (DM)

Apresenta as mesmas características de um DW.

É um subconjunto de um DW.Representa um DW departamental, regional

ou funcional.Segundo Sing (2001) apud Felber (2005) uma

empresa pode contruír uma séria de DM ao longo do tempo e vinculá-los a um DW lógico de empresa inteira.


17

Data Mart (DM)

São bem aceitos no mercado por: Apresentarem menor investimento em infra-estrutura Produzirem resultados mais rapidamente E por serem escaláveis até DWs


18

Abordagens de Implementação de DW

Inicialmente existiram (anos 1990) duas abordagens, cada uma apresentada por um guru da tecnologia de DW Bill Inmon

Implementação top-down (do topo para a baixo) Ralph Kimball

Implementação bottom-up (da base para cima)


19


Top-down Primeiro se

construiria um DW para depois construir os DMs departamentais a partir do DW.


20


Top-down Vantagens

Herança de arquitetura, consequentemente facilidade de manutenção

Visão do empreendimento, DW concentra toda a empresa e seus negócios

Controle e centralização de regras, único conjunto de aplicações para ETL

Monitoração e manutenção centralizada Desvantagens

Demora para entrar em produção Alto risco de investimento Demora no retorno do investimento


21


Bottom-up Primeiro se

constroem os DMs separados que deverão ser integrados a medida que os mesmos evoluem, dando condições para a construção de um DW.


22


Bottom-up Vantagens

Implementação mais rápida Retorno sobre o investimento é mais rápido A manutenção do enfoque da equipe é facilitada Pode existir uma herança incremental entre os DMs

permitindo o reaproveitamento Desvantagens

Os DMs produzidos podem não obter uma perfeita coesão

Integração pode se tornar inviável Provável repetição de esforços na fase de ETL


23


Convergência das abordagens Melhor dos dois mundos

Visualizar a empresa e seus negócios de forma integrada Construindo o DW de forma incremental, a partir de DMs Construção integrada Resultado repositório integrado e coeso Dimensões alinhadas e conformes, e métricas

compatíveis


24

Arquiteturas de DW

Decisão gerencial em um projeto de DWDiretamente ligada a infra-estrutura física no

aspecto da tecnologia da informaçãoAs arquiteturas podem ser:

Global Centralizada Distribuída

Data Marts independentes Data Marts integrados


25

Arquiteturas de DW

Visão corporativa dos dados pelos usuáriosPorém, consumo de tempo de desenvolvimento e

administração do ambiente é muito grande, assim como o custo de implementação.


26

Arquiteturas de DW

Data Marts independentes DMs isolados por departamentos Sem foco corporativo Pouca interferência da TI Vantagem:

Implementação Rápida, por conta do escopo reduzido e isolado

Desvantagem: Capacidade de decisão através dos dados é limitada


27

Arquiteturas de DW

Data Marts integrados DMs distribuídos em departamentos, como na anterior Dados interconectados, integrados e acessíveis a

outras áreas ou departamentos da empresa Maior interferência da TI Vantagem:

Aumenta a visão corporativa e a qualidade das informações

Desvantagem: Maior complexidade dos requisitos Maior necessidade de controle e de administração


28

Modelagem Dimensional

De acordo com Machado (2007) a modelagem multidimensional é uma técnica de concepção e visualização de um modelo de dados de um conjunto de medidas que descrevem aspectos comuns de negócios. E esse modelo é formado por três elementos básicos: os fatos as dimensões e as medidas (variáveis).

O objetivo dessa modelagem é fornecer a capacidade de visualizar os dados de um organização, de modo a permitir a análise de valores desses dados, isto é, permitir obter informações de apoio a decisão.


29


Fatos

Definem a importância e a motivação da modelagem dimensional

Representam numericamente valores que refletem temporalmente a evolução dos negócios de uma organização

É representado no modelo por uma tabela chamada tabela de Fatos

Formados por dados de medidas e de contexto


30


Medidas

Atributos numéricos que representam um fato, o desempenho de um indicador de negócios relativo as dimensões que participam do fato


31


Dimensões

As dimensões determinam o contexto de um assunto de um fato de negócio

Possui uma ou mais hierarquias naturais, além de atributos descritivos sem relacionamento hierárquico

É representada por uma tabela que descreve uma característica de um fato Quando Onde Quem O quê


32


Dimensões

Determinam “o como” se pode filtrar informações sobre os fatos

Exemplo: Por lojas Por região Por mês Por produto Etc.


33


Esquemas propostos

São 2 os esquemas propostos conhecidos Star Schema (Esquema Estrela) Snowflake Schema (Esquema Floco de Neve)


34


Star Schema As tabelas de

dimensões são diretamente relacionadas a uma tabela central chamada tabela de fatos

Nesse modelo não há preocupação com economia de espaço de armazenamento

Nem com normalização Respeita-se o preceito

de informação rápida


35


Snowflakes Schema Neste esquema as dimensões são normalizadas AS hierarquias são separadas Consultas envolverão mais tabelas diminuindo a performance


36


Diferenças em relação a modelagem ER

Modelagem Dimensional Modelagem ER

Visão do mundo do negócio e a visão gerencial dos negócios da organização

Processos operacionais do negócio

Foco na performance de resultados

Foco na eliminação de redundâncias

Menor complexidade de manipulação ad hoc dos dados por usuários

Maior complexidade de manipulação ad hoc dos dados por usuários


37



38

OLAP

Acrônimo para: On Line Analytical Processing Processamento Analítico On Line

São ferramentas que possibilitam a exploração dos dados de um DW [MACHADO, 2007] para fins de análise de determinadas variáveis para descoberta de cenários e tendências

O objetivo é dar suporte ao processo de tomada de decisões


39

OLAP x OLTP

OLTP é acrônimo para: On Line Transaction Processing Processamento de Transações On Line

Transações se referem diretamente as atividades operacionais de ume empresa

Exemplo: Realizar pagamento aos empregados Realizar pagamento aos fornecedores Realizar vendas aos clientes

Essas operações envolver um conjunto de atividades que juntas formam uma transação

Os Sistemas de Informação com foco operacional são sistemas transacionais

Diferentes dos sistemas OLAP com foco analítico dos dados


40

Data Mining

Em português, Garimpagem ou Mineração de DadosO processo de Data Mining visa realizar inferências sobre

os dados de um DW/DM, buscando “adivinhar” fatos e correlações não explicadas em meio a esses dados.

Algoritmos inteligentes sobre um amostra dos dados visando detectar padrões em determinados relacionamentos.

Segundo Moss e Atre (2003), a aplicação de mineração de dados pode então usar uma sofisticada mistura de componentes clássicos e avançados, como a inteligência artificial, reconhecimento de padrões, bases de dados, estatísticas tradicionais e gráficas para apresentar relações ocultas e padrões encontrados no repositório de dados da organização.


41

Grupo(s) de Pesquisa

Empregos na área de BI existem, porém poucos são as pessoas qualificadas para assumir essas vagas

Existe espaço para novas pesquisas em cima de BI, novas ferramentas tecnologias, arquiteturas, metodologias de desenvolvimento, soluções open source,..., entre outras várias

Então por que não unir o útil ao agradável e montar na instituição um grupo de pesquisa e estudos sobre BI?


42

Proposta de Projeto Inicial

Desenvolver um solução completa de BI para o setor de transporte coletivo urbano

Visando atender necessidades estratégicas de empresas de transporte coletivos, de associações de empresas do ramo de transporte coletivo, de organizações governamentais controladoras e fiscalizadoras e, principalmente, a dos usuários desse sistema de transporte.


43

Interessados no grupo de pesquisas?

Se você se interessou entre em contato comigo ou com o professor Fábio Nicácio ([email protected])

É tempo de buscar novos conhecimentos e novas oportunidades de emprego, além de oportunidades de negócio.


44

Dúvidas


45

Obrigado!


46

Referências

BARBIERI, Carlos. Business Intelligence: Modelagem e Tecnologia. Rio de Janeiro: Axcel Books. 2001.

INMON, W. H. Como construir o Data Warehouse. Rio de Janeiro: Editora Campus, 1997.

KIMBALL, Ralph. Data Warehouse Toolkit: Técnicas para construção de data warehouses dimensionais. São Paulo: Makron Books. 1998.

KIMBALL, Ralph; ROSS, Margy. The Data Warehouse Toolkit: The Complete Guide to

Dimensional Modeling. 2ed. New York: John Wiley & Sons. Inc. 2002. MACHADO, Felipe N. R. Tecnologia e Projeto de Data Warehouse:

Uma Visão Multidimensional. 3ed. São Paulo: Érica, 2007. MOSS, Larissa T.; ATRE, Shaku. Business Intelligence Roadmap: The

Complete Project Lifecycle for Decision-Support Applications. Boston: Pearson Education, Inc. 2003.

SING, Hary. Data Warehouse. São Paulo: Makron Books, 2001.

Technology

Introdução aos conceitos de Business Intelligence