UTILIZAÇÃO DO BI PARA EXTRAÇÃO DE INFORMAÇÕES

CONTIDAS EM BANCO DE DADOS.

1. INTRODUÇÃO

No contexto econômico atual, onde o fator competitivo empresarial está cada vez mais
relacionado à capacidade de transformar dados em informação e este último em
decisões e ações de negócio, encontrar meios de formar ou visualizar essas
informações possibilita aos negócios de maneira geral terem subsídios para
crescerem e melhorarem a qualidade dos seus serviços ou produtos. Encontrar
ferramentas que possibilitem a alta competitividade pode fortalecer e favorecer uma
boa gestão.

À medida que a infraestrutura e o volume de informações de uma instituição se

robustece, surge a necessidade de organizar essas informações de forma mais
precisa, colaborando, portanto, para uma exigência eficaz no auxílio da extração da
informação em tempo real. O desenvolvimento deste mecanismo requer uma fonte de
dados para realizar uma ótima seleção e adaptação do que se pretende absorver. É,
sobretudo, vital conhecer as regras do negócio da instituição

Aplicar a ferramenta correta, que possa fazer uso de diversas fontes de informação,
objetivando favorecer as diversas tomadas de decisões dos gestores de uma
organização, pode gerar ganhos em velocidade na análise de dados essenciais que,
por sua vez, influenciam em seus processos gerenciais, gerando eficiência nas ações
e estratégias de uma empresa.

Desenvolver tais instrumentos voltados para extrair informações a partir do Big Data,
fomentando o conhecimento no Processo de Tomada de Decisão, desperta a atenção
das organizações. Para tanto, requer-se a sinergia de competências de especialistas
ao fomentar uma nova área de atuação, a Ciência de Dados.

Neste contexto, são empregados ferramentas e conceitos que organizam as

informações de negócios das empresas. Dentre estes conceitos e ferramentas
destacam-se o Data Warehouse(DW), Data Mart (DM), Business Intelligence (BI),
modelagem dimensional e ferramentas OLAP, que constituem os pilares estratégicos
dos Sistemas de Apoio a Decisão (SAD).

Para demonstrar como o Power BI faz a extração das informações, precisa-se

entender onde as informações estão armazenadas e como acessá-las no Banco de
Dados. Para isso, será apresentado a linguagem SQL (Structured Query Language) e
o Banco de Dados. Em seguida, será evidenciado o contexto onde está inserido o
Power BI, relatando sobre Gestão do Conhecimento e Business Intelligence (BI). E,
logo após, serão demonstrados os passos de Extração de Dados para o Power BI e
como exibi-los.
2. BANCO DE DADOS

Pode-se observar que um jornal quando imprime suas manchetes, divulga

informações. Uma conversa entre amigos, gera informações. Nos tempos passados,
determinadas informações começaram a ter a necessidade de serem guardadas em
um local seguro, quer sejam pesquisas desvendadas, quer sejam histórias registradas
em gerações. De acordo com William Pereira Alves (2014), no século XV, o papel se
tornou o meio principal para armazenar essas informações. Com o passar dos anos,
a quantidade de dados a serem armazenados no papel aumentou e a necessidade de
algo mais prático trouxe o papel perfurado, logo, denominado de cartão perfurado,
uma nova forma de armazenar informações.
Sendo um estalo na era computacional, o cartão perfurado foi introduzido pela
IBM (International Business Machine), onde através dele se puderam registrar os
dados da população americana em 1889 (ALVES, 2014).
Nos dias de hoje, os bancos de dados se tornaram a melhor forma de
armazenar grandes volumes de dados produzidos no dia a dia. Pode-se atentar ao
fato de que:
praticidade, eficiência, rapidez na consulta e confiabilidade das informações
foram os fatores principais que levaram ao desenvolvimento dos bancos de
dados computadorizados [...] com a invenção dos computadores tudo ficou
bem mais fácil. Essa maravilha tecnológica permite que qualquer informação
seja armazenada e recuperada com grande rapidez e facilidade (ALVES,
2014, p. 13).

O programa de banco de dados, provavelmente é o mais anoso dos programas

já produzidos para os computadores. Anteriormente à elaboração do aplicativo de
banco de dados, os programas executavam arquivos sequenciais, manuseando os
artifícios disponibilizados no sistema operacional para guardar e ler os dados
disponíveis. Esse tipo de sistema foi denominado como sistema de processamento de
arquivos. Por conta de toda essa arquitetura, apresentaram-se várias impertinentes
situações relacionadas ao gerenciamento dos dados guardados em disco (ALVES,
2014).
Para solucionar esse problema, foi criado um Sistema de Gerenciamento de
Banco de Dados, conhecido como SGBD. O SGBD serve como uma ponte entre o
armazenamento dos dados e o sistema em que se insere as informações, como é
mostrado na Figura 1.
 Figura 1 - Funcionamento do SGBD

Fonte: Autoria Própria

Na Figura 1, têm-se os computadores ligados ao SGBD, e o SGBD ligado ao

banco de dados. O usuário, ao solicitar, inserir, excluir ou fazer qualquer outra
operação, solicita ao SGBD que vai ao banco de dados e retorna ao usuário final. O
SGBD possibilita ao usuário gerenciar as informações inseridas, tais como acessos a
todas as informações ou apenas em parte, extrai as informações de forma confiável e
de grande credibilidade do banco de dados, facilita a manutenção, e nos dias de hoje
virou algo visionário no mercado, de acordo com Carlos Alberto Heuser (2009).
Mas afinal, o que é o banco de dados? Para entrar neste determinado assunto,
precisa-se entender a diferença entre informação e dado:
Informação é qualquer fato ou conhecimento do mundo real e que pode ou
não ser registrado/armazenado. Dado é a representação da informação, que
pode estar registrado em papel, num quadro de aviso ou no disco rígido do
computador (ALVES, 2014, p. 19).

Logo, segundo Alves (2014), um computador guarda e processa dados e não

a informação propriamente dita. Sendo assim, o banco de dados retrata em parte o
mundo real, denominado de minimundo, qualquer modificação feita no minimundo é
espelhada no banco de dados. Ele também possui um conjunto ordenado, lógico com
significado e é moldado com dados que possui um objetivo já especificado.
O banco de dados é um “conjunto de dados integrados que tem por objetivo
atender a uma comunidade de usuários” (HEUSER, 2009, p. 22). Ele é composto por
três características, conforme o Quadro 1, que são utilizadas para a sua implantação
e criação.

Quadro 1 - Composição do Banco de Dados

DEFINIÇÃO EXEMPLIFICAÇÃO
Fonte de Informação Local onde as informações são
retiradas
Interação com o mundo real Um sistema que faz a ponte entre o
usuário que irá armazenar os dados e o
banco de dados
Público interessado O público que irá usufruir do banco de
dados, cujo ele servirá.
Fonte: Adaptado de Alves (2014, p.20)

Essas três características, apresentadas no Quadro 1, são estudadas e

analisadas antes da implantação, tendo em vista que, a partir delas, saber-se-á a
finalidade ou interesse do banco para determinada empresa. Com isso, o
desenvolvedor do banco saberá o tamanho do banco de dados a ser utilizado para
atender determinada demanda.
Geralmente o banco de dados é armazenado em um disco rígido e os backups,
que são as cópias das informações do banco para casos de emergência, são feitos
em CDs, disco flexível, CD-ROM, fita DAT, dentre outros. (ALVES, 2014).
Sendo assim, o SGBD, como já foi mencionado, é um conjunto de instrumentos
e programas que possibilitam ao cliente a manipulação do próprio banco de dados.
Ele possui três termos básicos, conforme Quadro 2:

Quadro 2 - Termos do SGBD

NOME CARACTERÍSTICA
Definição Especificação dos tipos de dados, das estruturas das
tabelas e das restrições que devem ser impostas aos
dados que serão armazenados.
Construção Processo de acumular os dados num meio de
armazenamento totalmente controlado pelo SGBD.
Manipulação Operação como utilização do banco de dado (inclusão,
exclusão e alteração de registros) e extração de dados
como consultas e relatórios impressos.
Fonte: Alves (2014, p.20)

Como mencionado no Quadro 2, o SGBD pode ser visto como um software

robusto atribuído a definição, construção e manipulação. Ele se baseia em quatro
modelos, que são: banco de dados relacionais, orientados a objetos, bancos de dados
de rede, e banco de dados hierárquicos (ALVES, 2014).
Algumas das plataformas de SGBDs mais conhecidas são Access, Interbase,
MySQL, PostgreSQL, SQL Server, Oracle dentre outras. Esses são denominados de
bancos genéricos, pois permitem armazenamento de qualquer tipo de dados, além de
serem mais versáteis e fortes com capacidade de realizar funções avançadas de
gerenciamento. Um pequeno quantitativo possui linguagem própria para operação no
banco, mas a grande maioria usufrui da Linguagem Structured Query Language (SQL)
para fazer as mesmas operações (ALVES, 2014).

1.1 LINGUAGEM SQL

A linguagem Structured Query Language, conhecida como SQL e traduzida

como Linguagem Estruturada de Pesquisa, teve sua história iniciada pelo pesquisador
da IBM, Edgard F. Codd que incorporou a teoria de manipulação de armazenamento
de dados como relações manuseadas com concepções matemáticas (ALVES, 2014).
De acordo com Felipe Nery Rodrigues Machado (2014), Structured English
Query Language (SEQUEL) foi o nome dado primeiramente a essa linguagem que foi
desenvolvida nos laboratórios da IBM. Em 1975 foi efetivado um modelo de utilização
da SEQUEL, e, entre 1976 e 1977, foi reformulada e amplificada passando a chamar-
se de SQL por motivos jurídicos.
Em 1981, a IBM desenvolveu um ambicioso projeto chamado de System/R na
qual lançou o primeiro SGBD, posteriormente obtendo novas versões e
aprimoramentos. Uma equipe de engenheiros que atuavam nesse projeto se
desvinculou da IBM e desencadeou uma nova organização denominada de Relational
Software, na qual desenvolveram um novo SGBD chamado de Oracle, que também
utilizava a linguagem SQL (ALVES, 2014).
Tendo em vista o avanço da SQL, surgiram muitos outros produtos que
possuíam essa linguagem como base, tais como Ingres, SQLBase, SQLAnywhere,
dentre outras. Por conta dessa variedade surgiram várias versões da SQL. Sendo
assim, o instituto American National Standards Institute, traduzido como Instituto
Americano de Padrões Nacionais e conhecido com ANSI, formou um comitê que
objetivava padronizar a SQL, ocasionando na especificação SQL/86. Em seguida,
uniu-se ao instituto o órgão International Standards Organization, traduzido como
Organização de Padrões Internacionais e conhecido como ISO, para definir uma
coleção de extensões ao padrão SQL, dando início a SQL/89. Após isso, foram
apresentados os padrões SQL/92 e o SQL/99. Os sistemas operacionais Unix também
possuem o seu próprio padrão da linguagem (ALVES, 2014).
A linguagem SQL é profundamente conectada com a história dos bancos de
dados relacionais. Em 1982, a ANSI tornou a linguagem um padrão oficial desses
modelos de bancos de dados. Ela foi elaborada principalmente para o ambiente
relacional, sendo capaz de ser adequada, para seja qual for o ambiente não relacional
(MACHADO, 2014).
Pode-se definir que essa linguagem como:
Um meio de poder se comunicar com o banco de dados relacional para
executar alguma operação com ele, como incluir registros ou excluir
informações. Ela não é uma linguagem de programação propriamente dita, já
que não permite o desenvolvimento de aplicativos completos. Não existe
estrutura de controle de repetição (DO, WHILE, FOR NEXT, por exemplo) ou
de decisão (IF THEN), ao menos na versão padrão da linguagem. Devido a
isso é necessário que se utilize uma ferramenta de desenvolvimento cuja
linguagem de programação permita a inserção e execução de comandos
SQL, como é o caso do Delphi, Visual Basic, C++, C# ou Java (ALVES, 2014,
p. “192”).

A partir desse conceito, tem-se que tal linguagem possui palavras parecidas
com a língua inglesa, na qual, em todo caso, devem inicializar com um verbo, seguido
dos parâmetros e cláusulas que forem indispensáveis. Dado isto, ela é categorizada
como linguagem de quarta geração, por ser aproximada da linguagem humana
(ALVES, 2014).
A Linguagem SQL possui alguns recursos que auxiliam o usuário, um deles é
o de tratamento de transações, em que consiste:
Num bloco de instruções que devem ser executadas em sequência. Se acaso
uma dessas instruções falhar, isto é, não for executada com sucesso, todas
as operações anteriormente já efetuadas são desfeitas e o processo finaliza,
mesmo que ainda haja instruções a serem executadas (ALVES, 2014, p.
193).

Outros recursos que a linguagem oferece são o de segurança de dados, que

contém ações para geração de usuários e suas permissões, e construção de visões,
que auxiliam nas consultas às tabelas (ALVES, 2014). Ela é dividida em cinco
categorias apresentadas no Quadro 3 a seguir:

Quadro 3 - Categorias da Linguagem SQL

CATEGORIA DEFINIÇÃO EXEMPLOS
DDL (Data Definition Definir e estruturar os Create, Drop, Alter,
 Language – Linguagem dados Truncate
de Definição dos Dados)
DML (Data Manipulation Inserir e fazer Insert, Update, Delete
Language – Linguagem manutenção dos dados
de Manipulação de
Dados)
DQL (Data Query Auxiliar nos comandos Select, Show, Help
Language – Linguagem da sintaxe e consulta
de Consulta de Dados) de dados guardados
DCL (Data Control Auxiliar nos comandos Grant, Revoke
Language – Linguagem de permissões dos
de Controle de Dados) usuários e segurança
DTL (Data Transaction Auxiliar nos comandos Start Transaction,
Language – Linguagem de transações lógicas Savepoint, Commit,
de Transação de Dados) efetuadas pela DML Rollback, Release
Savepoint
Fonte: Adaptado de Sergio Eduardo Nunes e Ricardo Alexandre Plati Moura (2018).

No Quadro 3, são sinalizados os comandos que são utilizados por usuários

nos casos em que houver uma necessidade de fazer uma consulta ao banco de dados
utilizando a DQL, ou uma transação utilizando a DTL, ou uma verificação de permissão
do usuário utilizando a DCL, ou uma inserção de dados utilizando o DML, ou até a
criação do banco de dados no SGBD utilizando a DML. Nesses casos, os usuários da
Tecnologia da Informação (TI) são os responsáveis pela utilização das categorias.
3. A GESTÃO DO CONHECIMENTO E O BUSINESS INTELLIGENCE

No âmbito corporativo as mudanças ocorrem com frequência e isso acaba

espelhando nos negócios. Para uma instituição ser competitiva carece de recursos
intelectuais de muitíssima qualidade. As organizações mais desenvolvidas têm
aplicado cada vez mais métodos na evolução e contenção do conhecimento nos seus
funcionários, conforme Enódio Neto (2014).
Nesta visão é onde entra o Knowledge Management (KM), mais conhecido
como Gestão do Conhecimento (GC). Mas antes de adentrar no GC, é preciso
entender o que é conhecimento, sendo assim:
Conhecimento é uma mistura fluida de experiência condensada, valores,
informação contextual e insight experimentado, a qual proporciona uma
estrutura para a avaliação e incorporação de novas experiências e
informações. Ele tem origem e é aplicado na mente dos conhecedores. Nas
organizações, ele costuma estar embutido não só em documentos ou
repositórios, mas também em rotinas, processos, práticas e normas
organizacionais (DAVENPORT; PRUSAK, 1998, p. 5).

O conhecimento está relacionado ao dado e informação, no Quadro 4 abaixo,

há uma comparação entre os três.

Quadro 4 - Comparação entre Dados, Informação e Conhecimento

DADOS INFORMAÇÃO CONHECIMENTO
Simples observações sobre Dados dotados de Informação valiosa da
o relevância e mente
estado do mundo propósito humana. Inclui reflexão,
síntese, contexto
Facilmente estruturado Requer unidade de De difícil estruturação
análise
Facilmente obtido por Exige consenso em De difícil captura em
máquinas relação ao máquinas
significado
Frequentemente Exige necessariamente a Frequentemente tácito
quantificado mediação humana
Facilmente transferível De difícil transferência
Fonte: Davenport e Prusak (1998)

No Quadro 4, o dado é mostrado um componente claro que possibilita

facilidade na elaboração e transferência. A informação procede dos dados por sua
importância, e precisa de concordância em relação a definição e medição. E o
conhecimento está associado ao entendimento humano, sendo complicado a sua
transmissão e formação. De acordo com Davenport e Prusak (1998, p.5) “o
conhecimento se produz em mentes que trabalham”.
Com esses conceitos, pode-se entender melhor a GC. Observa-se a Figura 2
que demonstra a relação entre o conhecimento e a Gestão do Conhecimento.

Figura 2 - Conhecimento e Gestão do Conhecimento

Fonte: Adaptado de [Link]

13042021173541520

De acordo com a Figura 2, o conhecimento pode ser gerado em uma ou mais

pessoas e a gestão do conhecimento gera esse conhecimento nas outras, tornando
em algo comum ou conhecimento mútuo.
Dessa forma a GC é considerada como um conjunto de métodos que coordena
a formação, disseminação, e a aplicação do conhecimento para alcançar
completamente os objetivos, possui a finalidade de efetuar a captura do conhecimento
que engloba os costumes e hábitos dentro da corporação e objetiva gerar meios para
que o conhecimento possa ser em conjunto, difundido, e movido de forma que
multiplique o mesmo conhecimento a todos na organização (NETO, 2014).
Na Figura 3, pode-se observar a influência que a GC possui em alguns
cenários da corporação.
 Figura 3 - Influência da Gestão do Conhecimento

Fonte: [Link]
content/uploads/2014/04/Sem-t%C3%[Link]

Observa-se na Figura 3 que a GC está no centro da TI, das pessoas, da

colaboração e processos, componentes que fazem parte de uma corporação que tem
dado espaço a GC a cada dia.
A GC incentiva aos funcionários de uma organização ao compartilhamento dos
conhecimentos adquiridos, criando um ambiente onde todas as pessoas possuem o
mesmo conhecimento e experiência, e as aplique no trabalho onde almejam uma
melhor produção e desenvolvimento da organização.
Contudo, em matéria do conhecimento dois tipos estão nos seres humanos
caracterizados na Figura 4.

Figura 4 - Características do Tácito e Explícito

Fonte: Adaptado de Davenport e Brusak (1998)

A Figura 4, mostra as características do conhecimento Tácito em relação ao

conhecimento Explícito. De acordo com Ikujiro Nonaka e Hirotaka Takeuchi (1995), o
conhecimento tácito é mais árduo de ser demonstrado, logo é mais complicado de ser
propagado. Para identifica-lo é preciso mostrar como usá-lo, como por exemplo um
dentista extraindo um dente, ou um professor ministrando uma aula. Já o
conhecimento explícito é mais claro, descomplicado e mais prático de ser repassado,
por isso pode ser documentado. Sendo assim até lendo um livro ou assistindo uma
aula se adquire esse conhecimento.
Para as organizações, a GC é preciosa, já que apoia na produção de padrões,
aprimorando a performance dos processos e operações, atingindo de modo
consequente o cliente/usuário (NETO, 2014). Ela possui o Business Intelligence como
um dos métodos que auxilia na organização e gestão do conhecimento. Que também
está ganhando alta nas organizações.

2.1 BUSINESS INTELLIGENCE

O Business Intelligence (BI), também conhecido como Inteligência de Negócio,

é conceituado por Carlos Barbieri (2011, p.96) como “a utilização de variadas fontes
de informação para definir estratégias de competitividade nos negócios da empresa”.
O BI, também é conhecido como Inteligência Competitiva ou Inteligência
Empresarial, pois é um modo que visa auxiliar as organizações na tomada de decisão
inteligente, por meio de dados e informações coletadas pelos variados sistemas de
informação. Nesse sentido, o BI é uma tecnologia que possibilita as organizações
modificar dados armazenados nos seus sistemas em informações qualificativas e
significantes para tomada de decisão (NETO, 2014).
De acordo com Shariat e Hightower (2007), o BI objetiva fornecer ajuda
operacional, estratégica e tática como pontos importantes para tomada de decisão. E
possui algumas características, tais como:
• Colher e incluir dados de variadas fontes;
• Exercer prática na experiência;
• Examinar os contextos dos dados;
• Batalhar com suposições;
• Buscar associações entre causa e efeito;
• E modificar dados obtidos em informações úteis.
O BI possui uma relação com dados, informação e conhecimento, tendo como
ponto principal a decisão como mostrado na Figura 5.
 Figura 5 - Componentes da Decisão

Fonte: Adaptado de Ricardo Adriano Antonelli (2009)

Com os conceitos de dados, informação e conhecimento já esclarecidos, têm-

se que decisão é o procedimento na qual é escolhido uma ou mais alternativa para
realizar ações baseada no máximo número de informações e conhecimento para se
obter a melhor decisão possível. Na Figura 5 pode-se observar que a informação e o
conhecimento são os que compõe a decisão, que faz parte do BI (ANTONELLI, 2009).
Conforme Mengwei Lu (2014), o BI auxilia a empresa a retirar informações úteis
das variadas fontes de dados externas e internas de forma ágil, com o objetivo de
oferecer aos que irão tomar decisão o acesso a elas em qualquer lugar, hora e quando
precisar. O BI ao proporcionar isso, facilita na obtenção do conhecimento dos números
da organização e facilita na tomada de decisão estratégica para uma melhor
competitividade no mercado.
Em 1958, surgiu o BI por meio de Hans Peter Luhn, pesquisador da IBM, que
sugeriu que ele se referisse a habilidade de compreender a correlação dos
acontecimentos exibidos de tal maneira a conduzir o ato em orientação ao propósito
esperado. Em 1996, Howard Dresner do Gartner Group estabeleceu o BI como
tecnologias de análise de dados, relatório de consultas, Data Warehouse e Data
Mining (LU, 2014).
Hoje o BI tem tomado espaço e ganhou um conceito que:
por mais complexo sejam os sistemas, ninguém toma decisões sem dados,
ou seja, a persistência, confiabilidade e integridade das informações são
peças chave para análises preditivas, de forma que com base em dados
passados, analisa-se o presente e projeta-se o futuro (MARTINS, 2016, p.12).
 Segundo Markhles Zaman (2005), o BI é uma junção de arquiteturas e
tecnologias. Ele possui alguns componentes importantes, que são: DATA
WAREHOUSE, ETL, DATA MART, OLAP e DATA MINIG.
O Data Warehouse (DW) é um repositório gigantesco que armazenas as
informações importantes da organização almejando apoiar os Sistemas de Apoio a
Decisão. Na Figura 6, é possível visualizar como funciona o DW.

Figura 6 - Funcionamento do Data Warehouse

Fonte: [Link]

Na Figura 6, pode-se observar que no funcionamento do DW se obtêm a Fonte

de Dados em que são passadas por ETL, que adentram no DW e em Data Mart e
distribuídas em OLAP ou Data Mining. Dessa forma, o DW “é a união de todos os
dados existentes na organização de forma consolidada e tratada, de forma que torne
mais fácil a recuperação dos mesmos e evite inconsistência e redundância” (NETO,
2014).
Nesse sentido,
Como os dados podem vir de várias fontes, como OLTP, ERP, CRM,
aplicativos legados e fontes externas de dados, os dados podem ser
armazenados em um banco de dados diversificado, em diferentes formatos e
estruturas. Como resultado, um armazém de dados. Os dados estão então
prontos para serem acessados pelo sistema de BI (ZAMAN, 2005).

De acordo com Fábio Primark (2008), os dados do DW são derivados de um

banco de dados comum, sendo assim chamado de dados gerenciais. Esses dados
gerenciais guardados em um DW proporcionam uma consulta aos dados mais veloz
e eficaz. O DW pode se diferenciar dos bancos de dados da seguinte maneira:
 • Fazem uma busca nas informações, as disponibilizam de forma que vão
além dos bancos de dados tradicionais;
• Guardam os dados em forma de cubo (OLAP) multidimensional,
possibilitando uma rápida junção dos dados e detalhamento dos
mesmos;
• Possuem a agilidade de extrair, tratar e juntar dados de variados
sistemas operacionais em Data Mart e DW separados.
Os Data Mart são repositórios pequenos em que as informações são
armazenadas em formatos de cubo facilitando o acesso a elas. No Quadro 5,
podemos identificar as diferenças do Data Mart e DW.

Quadro 5 - Data Mart x Data Warehouse

DATA MARTS DATA WAREHOUSE
Nível departamental Nível corporativo
Alto nível de granularidade Baixo nível de granularidade
Pequena quantidade de dados históricos Grande quantidade de dados históricos
Tecnologia otimizada para acesso de Tecnologia otimizada para
consultas rápidas armazenamento e gerência de grandes
quantidades de dados
Cada área departamental possui suas As estruturas são reconstruídas para um
características específicas entendimento em nível de corporação
Fonte: Adaptado de ANTONELLI (2009)

Logo, apesar da diferenciação das características do Quadro 5, o Data Mart

fica dentro do DW e ambos auxiliam na agilidade.
A ETL, que também faz parte dos processos de DW, significa Extração,
Transformação e Carga de Dados. É conceituada como:
uma das mais críticas de um projeto de DW, pois uma informação carregada
erroneamente trará consequências imprevisíveis nas fases posteriores. O
objetivo desta fase é fazer a integração de informações de fontes múltiplas e
complexas. Esta etapa divide-se, basicamente, em três passos: extração,
transformação e carga de dados [..] embora tenhamos hoje ferramentas que
auxiliam na execução do trabalho, ainda assim é um processo trabalhoso,
complexo e também muito detalhado. (NETO, 2014, p.25).

Na Figura 7, pode ser entendida como funciona a ETL.

 Figure 7 - Funcionamento da ETL

Fonte: [Link]

Conforme visto na Figura 7, essa etapa é a encarregada pela preparação dos

dados que serão guardados no DW. De acordo com Barbieri, esse processo é dividido
em 5 passo, tais como:
1. Identificar os dados a serem trabalhados, nessa fase busca-se uma
consulta SQL ou qualquer fonte de dado que o BI aceitar.
2. Limpeza dos dados, para um melhor aproveitamento das informações;
3. Transformação dos dados, na qual irá padroniza-los;
4. Carregamento dos dados para o DW;
5. Atualizar os dados no DW (refresh).
Vale reforçar que “que a etapa de ETL é uma das mais críticas de um Data
Warehouse, pois envolve a fase de movimentação dos dados” (PRIMARK, 2008, p.
63).
Outro componente importante do BI é o OLAP, que significa On-Line Analytical
Processinh, e traduzido para Processamento Analítico Online,
Ele permite que o usuário extraia e visualize dados de maneira fácil e seletiva
de diferentes pontos de vista. Os dados OLAP são armazenados em um
banco de dados multidimensional. Sistemas de Gerenciamento de Banco de
Dados (DBMS). As ferramentas OLAP permitem que os usuários analisem
diferentes dimensões de dados multidimensionais. Por exemplo, ele fornece
séries temporais e visualizações de análise de tendência (ZAMAN, 2005).

O OLAP possui os cubos como principal objeto e são construídos por

tecnologias que possibilita acesso rápido aos dados, geralmente são constituídos a
partir de subconjuntos de um DW (NETO, 2014). No Quadro 6, estão expostas
algumas funcionalidades disponibilizadas por essa ferramenta.

Quadro 6 - Funcionalidades do OLAP

FUNCIONALIDADE DESCRIÇÃO
Drill-down Permite ao usuário visualizar as informações mais
detalhadas.
Drill-up Caracterizada de ser o contrário do Drill-down, pois
permite ao usuário ver as informações mais
generalizadas.
Drill-throught Permite ao usuário navegar pelas camadas de
informações relacionadas por determinado assunto.
Sice and Dice Permitindo ao usuário a troca de linhas por colunas ou
vice versa, conforme necessidade de visualização as
informações do usuário.
Fonte: Adaptado de Barbieri (2001)

Dessa forma, o OLAP proporciona possibilidades de pesquisas de dados on-

line fundamentais para as prováveis interrogações de executivos, gerentes e analistas
(MACHADO, 2014).
E o Data Mining, que também é outro componente do BI, é traduzido como
Mineração de Dados. Ele tem sua importância por ser uma ferramenta que auxilia na
exploração dos dados, se tornando um fator decisório para o processo de BI
(ANTONELLI, 2009).
Outro conceito dado ao Data Mining é que,
As ferramentas de mineração de dados extraem automaticamente
informações ocultas e preditivas de bancos de dados. Ele também procura os
padrões em grandes bancos de dados de transações. Essas ferramentas
geralmente são orientadas por fórmulas estatísticas complexas. A maneira
mais fácil de distinguir a mineração de dados das várias formas de OLAP é
que, OLAP só pode responder a perguntas que você sabe fazer, a mineração
de dados responde a perguntas que você não sabia necessariamente fazer
(ZAMAN, 2005).

De acordo com Primark (2008), o Data Mining possui alguns passos principais
para sua implantação, que são:
1. Fase de preparação: buscar os dados que passarão pela fase de
mineração;
2. Fase de Mineração: gerar os modelos, estabelecer amostras, e separar
dados para treinar o modelo;
 3. Fase de Análise: análise das informações para variáveis essenciais para
análise do negócio;
4. E fase de aplicação: utilização das informações geradas em todas as
fases em situações de produção dos sistemas.
Logo, segundo Thomas Bäck (2002), a solução atingida pelo Data Mining deve
ser consistente, nítida, esclarecido, e deve estar conforme os dados de origem. Isso
porque as pessoas não se interessam nos modelos matemáticos, mas sim no
conhecimento que será obtido através disso.
Como mostrado na Figura 8, o BI engloba todas essas áreas mencionadas até
aqui, sendo ele a base de cada uma delas.

Figure 8 – Arquitetura do BI

Fonte: [Link]
Churi/publication/338416792/figure/fig2/AS:862060602732544@1582
542672014/[Link]

O GC é o caminho para BI, pode-se analisar na Figura 8, que o BI não é um

sistema, mas sim um conjunto de arquiteturas que o compõem permitindo interações
em tempo real e análise de dados minuciosos sempre auxiliando na tomada de
decisão (ZAMAN, 2005).
4. POWER BI

O POWER BI é uma ferramenta criada pela Microsoft que o define como um

conjunto de serviços e softwares, conectores e aplicativos que operam juntos para
alterar as fontes de dados não coerentes em lógicas visualmente comunicativas e
envolventes.
Esta ferramenta teve seu início com o codinome Project Crescent, mas teve
sua apresentação ao público com o nome de Microsoft Power BI para o office 365, em
que constituía o software de administração de planilhas do excel, logo em seguida ele
recebeu um aprimoramento em que se tornou completo para práticas do BI,
evidenciando as visualizações das informações. Através de relatórios e painéis
criados pela ferramenta é possível compartilhar informações como se fossem em
nuvem com o objetivo de localizar, limpar e fazer ligação de dados para elaboração
de métricas (ASPIN, 2018).
Segundo Vinícius da Silva Carvalho (2019), o Power BI é um serviço de
Business Analytics fundamentado em nuvem que disponibiliza uma vista crítica e
única dos dados comerciais. Com um dashboard criado por essa ferramenta em
Desktop é possível visualizar os indicadores da organização em tempo real e de forma
interativa pelo aplicativo Mobile.
Ainda segundo Carvalho (2019), o Power BI possui algumas vantagens em
relação a outras ferramentas, tais como:
• Utilização do AppSource para carregar visualizações personalizadas;
• As informações são em tempo real;
• Acesso Mobile;
• Utilização organizacional;
• Atualização mensal da ferramenta.
Dessa forma, o Power BI pode ser visto como:
uma solução de análise de negócios que permite a visualização de dados e
o compartilhamento de insights em toda a organização, conectando centenas
de fontes de dados e possibilitando dar vida aos dados corporativos com
dashboards e relatórios (CARVALHO, 2019).

O Power BI possui vários componentes que trabalham juntos, como

demonstrados na Figura 9.
 Figura 9 - Componentes do Power BI

Fonte: [Link]
[Link]

A Figura 9, apresenta os três elementos que compõe o Power BI – Power BI

Desktop, Serviço do Power BI, Power BI Mobile – em que foram criados para facilitar
ao usuário desenvolvedor de relatório uma melhor forma de apresentar os dados e
indicadores da Empresa em formato de gráficos, segundo a Microsoft.
Conforme Claudia Alves (2019) para a criação dos dashboards é preciso
primeiramente se conectar a fonte de dados, se for uma SQL, é preciso estar com a
consulta pronta. No Anexo A se tem o exemplo de um script SQL de acordo com
CARVALHO (2019). Após a conexão com o banco de dados, os dados são coletados
para o DW onde serão tratados, organizados e unificados.
Após a coleta dos dados e conexão com o banco de dados, vem a parte de
visualização, onde é utilizado os recursos de gráficos, funções e medidas
proporcionadas pela ferramenta. Esses recursos auxiliam na exatidão dos dados
apresentados (ALVES, 2019).
Nesta etapa de visualização é onde são construídos os dashboards, pode ser
conceituado como sendo:
Uma página única, geralmente chamada de tela, que conta uma história por
meio de visualizações. Por ser limitado a uma única página, um dashboard
bem projetado contém apenas os elementos mais importantes da história. Os
leitores podem exibir relatórios relacionados para obter detalhes
(MICROSOFT).

Na Figura 10, pode-se visualizar o exemplo de dashboard.

 Figura 10 - Exemplo de Dashboard do Power BI

Fonte 1: [Link]
[Link]

Neste contexto, pode-se observar que na Figura 10 são apresentados além do

dashboard que é a tela inteira, exemplos de gráfico como o de pizza ou em barras e
também apresentado medidas para uma melhor exatidão dos dados.
Após a visualização dos dados, o dashboard é analisado e identificado os
pontos fortes e fracos nos indicadores da empresa. Após essa análise, o dashboard é
apresentado e entrega aos gestores da organização, na qual em base dos números
apresentados tomarão decisões importantes para destacar a empresa no mercado
(ALVES, 2019).
A etapa final é a de monitoramento, na qual o gestor estará acompanhando o
processo das decisões tomadas e se eles estão fazendo efeitos nos números da
empresa. Esse acompanhamento é feito em base da atualização dos números do
dashboard de Power BI (ALVES, 2019).
A utilização do Power BI possui inúmeras vantagens, entre elas:
• Ajuste de grandes volumes de dados;
• Cruzar informações de variadas fontes de dados;
• Elaboração de dashboards;
• Fonte de dados em nuvem ou local;
 • Utilizável em diversas áreas de atuação.
A organização que adota o BI possui uma maneira de conhecer, melhorar e
monitorar a gestão e os seus processos (ALVES, 2018).
5. CONSIDERAÇÕES FINAIS
 REFERÊNCIAS

ALVEZ, William Pereira. Banco de Dados. São Paulo: Érica, 2014.

ALVES, Claudia. Como funciona o BI e como implementar em sua empresa?

Business Intelligence - Blog de Business Intelligence, 30, maio. 2019. Disponível em:
[Link] Acesso em 02
nov. 2021.

ALVES, Claudia. Quem pode usar o Power BI e porque ele deve ser escolhido?
Business Intelligence - Blog de Business Intelligence, 11, setembro. 2018. Disponível
em: [Link] Acesso em 02 nov. 2021.

ASPIN, Adam. Pro power BI desktop: interactive data analysis and virtualization
for the desktop. – 2 ed. Reino Unido: Apress, 2018, IS 978-1-4842-3210-1.

ANTONELLI, Ricardo Adriano. Uma Ferramenta de Auxílio a Tomada de Decisão.

Conhecendo o Business Intelligence (BI), Paraná, Volume 3, Número 3, p. (79 a
85), 2009. Disponível em:
[Link] Acesso em: 30
out. 2021.

BÄCK, Thomas. Adaptative business intelligence based on evolution strategies:

some application examples of self-adaptative software. Information Sciences, v. 148,
n. 1-4, p. 113-121, may. 2002.

CARVALHO, Vinicius da Silva. Implementação do Business Intelligence nas

corporações: estudo de caso. 2019. Monografia (Graduação em Engenharia de
Software) – Universidade de Brasília, Brasília, 2019. Disponível em:
[Link]
Acesso em: 02 nov. 2021.

DAVENPORT, Thomas H; PRUSAK, Laurence. Conhecimento empresarial: como

as organizações gerenciam o seu capital intelectual. 11. ed. Rio de Janeiro:
Campus, 1998.

HEUSER, Carlos Alberto. Projeto de Banco de Dados. Porto Alegre: Artmed

Editora S.A., 2009.

KIMBALL, Ralph. Data Warehouse tool kit: técnicas para construção de data
warehouses dimensionais. MakronBooks, 1998.

LU, Mengwei. Discovering Microsoft Self-service BI solution: Power BI. 2014.

Haaga-Helia - Univesity of Applied Sciences.

MACHADO, Felipe Nery Rodrigues. Projeto e Implementação do Banco de

Dados. São Paulo: Érica, 2014.

MARTINS, Alvaro Horowicz. O Uso De Sistemas Informatizados Para Uma Melhor

Gestão De Empresas De Aviação. Monografia (Graduação em Ciências
Aeronáuticas) – Universidade do Sul da Santa Catarina, Palhoça, 2016. Disponível
em: [Link]
%20ALVARO%20HOROWICZ%[Link]. Acesso em: 30 de out. de 2021.

MICROSOFT. O que é Power BI? Disponível em: [Link]

br/power-bi/fundamentals/power-bi-overview. Acesso em: 02 nov. 2021.

NETO, Enódio Alves de Oliveira. Parceria entre as práticas da gestão do

conhecimento e business intelligence no âmbito da competitividade empresarial: um
estudo de caso em uma empresa de telecomunicações. Monografia (Graduação em
Gestão da Informação) – Universidade Federal de Pernambuco, Recife, 2014.
Disponível em:
[Link]
0de%20Oliveira%[Link]. Acesso em: 24 out. 2021.

NONAKA, Ikujiro; TAKEUCHI, Hirotaka. Criação de conhecimento na empresa:

como as empresas japonesas geram a dinâmica da inovação. Tradução Ana Beatriz
Rodrigues, Priscilla Martins Celeste, 14 ed. Rio de Janeiro: Elsevier, 1995. 358 p.

NUNES, Sergio Eduardo; MOURA, Ricardo Alexandre Pati. Programação em

Banco de Dados. Londrina: Editora e Distribuição Educacional S.A., 2018.

PRIMAK, Fábio V. Decisões com B.I. (Business Intelligence). Rio de

Janeiro: Ciência Moderna, 2008.
SHARIAT, Mehrdad; HIGHTOWER, Roscoe. Conceptualizing business
intelligence architecture. Marketing Management Journal, v. 17, n. 2, p. 40-46,
2007.

ZAMAN, Markhles. Business Intelligence: Its In na Outs. ISM – Integrated Systems

Models, 10, janeiro. 2005. Disponível em:
[Link] Acesso em:
27 out. 2021.

ANEXOS
ANEXO A
 Script SQL (CARVALHO, 2019)
CREATE DATABASE IF NOT EXISTS dwestoque;
USE dwestoque;
CREATE TABLE DIM_Endereco (
cod_endereco VARCHAR(200) NOT NULL,
nome_endereco VARCHAR(200) NOT NULL,
capacidade_end INT,
segmentacao VARCHAR(200),
localizacao VARCHAR(200),
codigo_barras BIGINT,
PRIMARY KEY (cod_endereco)
);
ALTER TABLE DIM_Endereco COMMENT 'Tabela dimensão de Endereço';
CREATE TABLE DIM_Categoria (
cod_categoria VARCHAR(50) NOT NULL,
nome_categoria VARCHAR(200) NOT NULL,
PRIMARY KEY (cod_categoria)
);
ALTER TABLE DIM_Categoria COMMENT 'Tabela dimensão da Categoria';
CREATE TABLE DIM_Segmento (
cod_segmento VARCHAR(50) NOT NULL,
cod_categoria VARCHAR(50) NOT NULL,
nome_segmento VARCHAR(200) NOT NULL,
PRIMARY KEY (cod_segmento)
);
CREATE TABLE DIM_Marca (
cod_marca VARCHAR(50) NOT NULL,
cod_segmento VARCHAR(50) NOT NULL,
nome_marca VARCHAR(200) NOT NULL,
PRIMARY KEY (cod_marca)
);
ALTER TABLE DIM_Marca COMMENT 'Tabela de dimensão de Marca';
CREATE TABLE DIM_Produto (
cod_produto INT NOT NULL,
cod_marca VARCHAR(50) NOT NULL,
desc_produto VARCHAR(250) NOT NULL,
origem_produto VARCHAR(200) NOT NULL,
camada_palet INT NOT NULL,
paletizacao_prod INT NOT NULL,
shelflife_produto INT,
PRIMARY KEY (cod_produto)
);
CREATE TABLE DIM_Palete (
cod_palete INT NOT NULL,
cod_produto INT NOT NULL,
dt_fabricacao DATE NOT NULL,
PRIMARY KEY (cod_palete)
);
ALTER TABLE DIM_Palete COMMENT 'Tabela dimensão de Palete';
CREATE TABLE Fato_001_ProdArmazenado (
 cod_endereco VARCHAR(200) NOT NULL,
cod_palete INT NOT NULL,
ocup_endereco DOUBLE,
efeito_colmeia DOUBLE,
giro_estoque DOUBLE,
PRIMARY KEY (cod_endereco, cod_palete)
);
ALTER TABLE Fato_001_ProdArmazenado COMMENT 'Tabela de Fato de Produto
Armazenado';
CREATE TABLE FATO_Palete_002 (
cod_palete INT NOT NULL,
ruptura_estoque DOUBLE,
PRIMARY KEY (cod_palete)
);
ALTER TABLE FATO_Palete_002 COMMENT 'Tabela de Fato de Palete';
CREATE TABLE DIM_Empilhador (
cod_operador INT NOT NULL,
nome_operador VARCHAR(250) NOT NULL,
coordenador VARCHAR(200),
turno_trabalho VARCHAR(200),
horario_trabalho VARCHAR(200),
status VARCHAR(200),
PRIMARY KEY (cod_operador)
);
ALTER TABLE DIM_Empilhador COMMENT 'Tabela de dimensão Empilhador';
CREATE TABLE Fato_003_Movimentacao (
cod_operador INT NOT NULL,
cod_palete INT NOT NULL,
cod_endereco VARCHAR(200) NOT NULL,
tipo_fluxo VARCHAR(50),
hora_movimentacao DATETIME,
PRIMARY KEY (cod_operador, cod_palete, cod_endereco)
);
ALTER TABLE Fato_003_Movimentacao COMMENT 'Tabela de Fato de
Movimentacao';
ALTER TABLE Fato_003_Movimentacao ADD CONSTRAINT
dim_endereco_fato_004_transporte_fk
FOREIGN KEY (cod_endereco)
REFERENCES DIM_Endereco (cod_endereco)
ON DELETE NO ACTION
ON UPDATE NO ACTION;

ALTER TABLE Fato_001_ProdArmazenado ADD CONSTRAINT

dim_endereco_fato_001_prodarmazenado_fk
FOREIGN KEY (cod_endereco)
REFERENCES DIM_Endereco (cod_endereco)
ON DELETE NO ACTION
ON UPDATE NO ACTION;
ALTER TABLE DIM_Segmento ADD CONSTRAINT
dim_categoria_dim_segmento_fk
FOREIGN KEY (cod_categoria)
REFERENCES DIM_Categoria (cod_categoria)
ON DELETE NO ACTION
ON UPDATE NO ACTION;

ALTER TABLE DIM_Marca ADD CONSTRAINT dim_segmento_dim_marca_fk

FOREIGN KEY (cod_segmento)
REFERENCES DIM_Segmento (cod_segmento)
ON DELETE NO ACTION
ON UPDATE NO ACTION;

ALTER TABLE DIM_Produto ADD CONSTRAINT dim_marca_dim_produto_fk

FOREIGN KEY (cod_marca)
REFERENCES DIM_Marca (cod_marca)
ON DELETE NO ACTION
ON UPDATE NO ACTION;

ALTER TABLE DIM_Palete ADD CONSTRAINT dim_produto_dim_palete_fk

FOREIGN KEY (cod_produto)
REFERENCES DIM_Produto (cod_produto)
ON DELETE NO ACTION
ON UPDATE NO ACTION;

ALTER TABLE Fato_003_Movimentacao ADD CONSTRAINT

dim_palete_fato_003_movimentacao_fk
FOREIGN KEY (cod_palete)
REFERENCES DIM_Palete (cod_palete)
ON DELETE NO ACTION
ON UPDATE NO ACTION;

ALTER TABLE FATO_Palete_002 ADD CONSTRAINT

dim_palete_fato_palete_002_fk
FOREIGN KEY (cod_palete)
REFERENCES DIM_Palete (cod_palete)
ON DELETE NO ACTION
ON UPDATE NO ACTION;

ALTER TABLE Fato_001_ProdArmazenado ADD CONSTRAINT

dim_palete_fato_001_prodarmazenado_fk
FOREIGN KEY (cod_palete)
REFERENCES DIM_Palete (cod_palete)
ON DELETE NO ACTION
ON UPDATE NO ACTION;
ALTER TABLE Fato_003_Movimentacao ADD CONSTRAINT
dim_empilhador_fato_003_movimentacao_fk
FOREIGN KEY (cod_operador)
REFERENCES DIM_Empilhador (cod_operador)
ON DELETE NO ACTION
ON UPDATE NO ACTION;