ADMINISTRAÇÃO DE
BANCO DE DADOS
Utilização das
metodologias de
data warehouse
Victor de Andrade Machado
OBJETIVOS DE APRENDIZAGEM
> Identificar o conceito de data warehouse.
> Reconhecer as metodologias utilizadas em um data warehouse.
> Conhecer os objetivos práticos da utilização de um data warehouse.
Introdução
O data warehousing é um processo para coletar e gerenciar dados de várias
fontes a fim de fornecer insights de negócios significativos. Normalmente, ele
é usado para conectar e analisar dados de negócios de fontes heterogêneas.
O data warehouse, também chamado de armazém de dados, é o núcleo do
sistema de business intelligence (BI), construído para análise de dados e rela-
tórios diversos para tomadas de decisão.
O data warehouse é uma combinação de tecnologias e componentes que
auxiliam no uso estratégico de dados. Trata-se de um armazenamento eletrônico
de uma grande quantidade de informações por uma empresa. É projetado para
consulta e análise, em vez de processamento de transações. O data warehouse
transforma dados em informações com o intuito de disponibilizá-los aos usu-
ários em tempo hábil, se destacando perante as outras organizações.
2 Utilização das metodologias de data warehouse
Reconhecer a diferença entre data warehouse e banco de dados é funda-
mental para suas atividades acadêmicas e profissionais. A significância de
metadados e as ferramentas para atualização do data warehouse também
são aspectos importantes.
Neste capítulo, você vai estudar os conceitos e as metodologias utilizadas
em data warehouse. Além disso, vai conhecer as aplicações em que ele é mais
usado.
Conceitos básicos de data warehouse
Um data warehouse é um sistema de armazenamento centralizado que permite
armazenar, analisar e interpretar dados para facilitar a melhor tomada de
decisão. Sistemas transacionais, bancos de dados relacionais e outras fontes
fornecem dados para data warehouses regularmente. Um data warehouse
é um tipo de sistema de gerenciamento de dados que facilita e suporta as
atividades de BI, especificamente a análise. Os data warehouses são projeta-
dos principalmente para facilitar pesquisas e análises e geralmente contêm
grandes quantidades de dados históricos.
Um data warehouse pode ser definido como uma coleção de dados e
informações organizacionais extraídas de fontes operacionais e fontes de
dados externas. Os dados são extraídos periodicamente de vários aplicativos
internos, como vendas, marketing e finanças, de aplicativos de interface
com o cliente e de sistemas de parceiros externos. Esses dados então são
disponibilizados para os tomadores de decisão acessarem e analisarem (RA-
MAKRISHNAN; GEHRKE, 2011).
A Figura 1 mostra uma representação de um processo de data warehouse,
seus principais componentes e sua integração, indo desde a alimentação
de dados e a busca em fontes até a extração, o tratamento e a mineração
de dados.
Utilização das metodologias de data warehouse 3
Bancos de dados corporativos
Vendas
Usuários que alimentam
os bancos de dados
Finanças
Recursos
humanos
Extração
de dados
Outras entradas
de dados Limpeza
OLAP Departamento
de vendas
Reformatação Departamento
Data warehouse EIS
financeiro
Departamento de
Data mining recursos humanos
Figura 1. Representação de processos de um data warehouse.
Fonte: Adaptada de Alves (2014).
Componentes e funcionamento
Um data warehouse armazena dados extraídos de armazenamentos de dados
internos e, em muitos casos, de fontes de dados externas. Os registros de
dados no data warehouse devem conter detalhes, a fim de torná-los pes-
quisáveis e úteis para os usuários de negócios. De acordo com Alves (2014),
em conjunto, existem três componentes principais de armazenamento de
dados; veja a seguir.
Uma camada de integração de dados que extrai dados de sistemas
operacionais, como Excel, ERP (Enterprise Resource Planning, ou Sistema
de Gestão Empresarial), CRM (Customer Relationship Management,
ou Gestão de Relacionamento com o Cliente) ou aplicativos financeiros.
Uma área de preparação de dados onde os dados são limpos e
organizados.
Uma área de apresentação onde os dados são armazenados e dispo-
nibilizados para uso.
4 Utilização das metodologias de data warehouse
Uma arquitetura de data warehouse também pode ser entendida como
um conjunto de camadas, em que a camada inferior é o servidor de banco
de dados, a camada intermediária é o mecanismo de análise e a camada
superior é o software de data warehouse que apresenta informações para
relatórios e análises.
Segundo Alves (2014), as principais características de um data warehouse
são as seguintes.
Orientado por assunto: um data warehouse é orientado por assunto,
pois fornece informações relacionadas a tópicos, e não aos processos
gerais de um negócio. Esses assuntos podem ser vendas, promoção,
estoque, etc. Por exemplo, se você deseja analisar os dados de vendas
de sua empresa, precisa construir um data warehouse que se concentre
em vendas. Esse armazém vai fornecer informações valiosas, como o
conhecimento de quem foi seu melhor cliente no ano passado ou de
quem provavelmente será o seu melhor cliente no próximo ano.
Integrado: um data warehouse é desenvolvido integrando dados de
várias fontes em um formato consistente. Os dados devem ser armaze-
nados no warehouse de forma consistente e universalmente aceitável
em termos de nomenclatura, formato e codificação. Isso facilita a
análise de dados eficaz.
Não volátil: os dados, uma vez inseridos em um data warehouse, devem
permanecer inalterados. Todos os dados são somente para leitura.
Os dados anteriores não são apagados quando os dados atuais são
inseridos. Isso ajuda a analisar o que aconteceu e quando.
Tempo variável: os dados armazenados em um data warehouse são
documentados com um elemento de tempo, explícita ou implicitamente.
Um exemplo de variação de tempo no data warehouse é exibido na chave
primária, que deve ter um elemento de tempo, como dia, semana ou mês.
É fácil confundir um data warehouse com um banco de dados, pois
ambos os conceitos compartilham algumas semelhanças. A principal
diferença, no entanto, aparece quando uma empresa precisa realizar análises
em uma grande coleção de dados. Os data warehouses são feitos para lidar
com esse tipo de tarefa, enquanto os bancos de dados não (RAMAKRISHNAN;
GEHRKE, 2011).
Utilização das metodologias de data warehouse 5
Existem três abordagens principais para implementar um data warehouse.
Algumas organizações também adotam data warehouses federados que inte-
gram sistemas analíticos separados já implementados independentemente um
do outro. Essa abordagem é descrita pelos proponentes como uma maneira
prática de aproveitar as implantações existentes (RAMAKRISHNAN; GEHRKE,
2011). Veja a seguir, segundo Ramakrishnan e Gehrke (2011), as três abordagens
principais para a implementação de um data warehouse.
Abordagem top-down (de cima para baixo): criado por William H. Inmon,
pioneiro do data warehouse, esse método exige primeiro a construção
do data warehouse empresarial. Os dados são extraídos de sistemas
operacionais e possivelmente de fontes externas de terceiros e podem
ser validados em uma área de teste antes de serem integrados a um
modelo de dados normalizado. Os data marts então são criados a partir
dos dados armazenados no data warehouse.
Os data marts, segundo Sharda, Delen e Turban (2019), são um reposi-
tório de dados projetado para atender a uma comunidade específica
de trabalhadores do conhecimento. Os data marts permitem que os usuários
recuperem informações de departamentos ou assuntos únicos, melhorando o
tempo de resposta do usuário. Como os data marts catalogam dados específicos,
eles geralmente exigem menos espaço do que os data warehouses corporativos,
sendo mais fáceis de pesquisar e mais baratos de executar.
Método bottom-up (de baixo para cima): o consultor Ralph Kimball
desenvolveu essa arquitetura de armazenamento de dados alternativa
que exige que os data marts dimensionais sejam criados primeiro.
Os dados são extraídos de sistemas operacionais, movidos para uma
área de teste e modelados em um design de esquema em estrela,
com uma ou mais tabelas de fatos conectadas a uma ou mais tabelas
dimensionais. Os dados então são processados e carregados em data
marts, e cada um destes se concentra em um processo de negócios
específico. Os data marts são integrados usando uma arquitetura
de barramento de data warehouse para formar um data warehouse
empresarial.
6 Utilização das metodologias de data warehouse
Método híbrido: as abordagens híbridas para o projeto de data
warehouse incluem aspectos dos métodos top-down e bottom-up.
As organizações geralmente procuram combinar a velocidade da abor-
dagem de baixo para cima com os recursos de integração de dados
alcançados em um design de cima para baixo.
O data warehousing integra dados e informações coletados de várias fontes
em um banco de dados abrangente. Por exemplo, um data warehouse pode
combinar informações de clientes dos sistemas dos pontos de venda de uma
organização, suas listas de discussão, seu site e seus cartões de comentá-
rios. Também pode incorporar informações confidenciais sobre funcionários,
informações salariais, etc. As empresas usam esses componentes do data
warehouse para analisar os clientes.
A mineração de dados de um data warehouse envolve a busca de padrões
de dados significativos e a elaboração de estratégias inovadoras para aumen-
tar as vendas e os lucros. Quando falamos em mineração de dados (ou data
mining, em inglês), nos referimos ao processo usado pelas empresas para
transformar dados brutos em informações úteis. Ao usarem o software para
procurar padrões em grandes lotes de dados, as empresas podem aprender
mais sobre seus clientes, podendo desenvolver estratégias de marketing
mais eficazes, aumentar as vendas e diminuir os custos. A mineração de
dados depende de coleta de dados e de armazenamento e processamento
de computador eficazes.
Outro importante conceito são os metadados, definidos como dados
sobre dados. Por exemplo, o índice de um livro serve como metadados para o
conteúdo do livro. Em outras palavras, podemos dizer que metadados são os
dados resumidos que nos levam a dados detalhados. Em um data warehouse,
criamos metadados para os nomes de dados e as definições de um determi-
nado data warehouse. Junto com esses metadados, são criados metadados
adicionais para registro de fonte, data e hora de qualquer dado extraído.
Existem diversas ferramentas relacionadas ao conceito de data warehouse.
De acordo com Sharda, Delen e Turban (2019), elas abrangem uma gama de apli-
cações e funcionalidades. A seguir, vamos estudar as principais ferramentas.
Tipos e ferramentas de data warehouse
Os dados são processados, transformados e ingeridos para que os usuários
possam acessar os dados processados no data warehouse por meio de ferra-
mentas de BI, clientes SQL e planilhas. Um data warehouse mescla informa-
Utilização das metodologias de data warehouse 7
ções provenientes de diferentes fontes em um banco de dados abrangente
(GOLDSCHMIDT; BEZERRA; PASSOS, 2015).
Ao mesclar todas essas informações em um só lugar, uma organização
pode analisar seus clientes de forma mais holística. Isso ajuda a garantir que
ele tenha considerado todas as informações disponíveis. O armazenamento
de dados torna possível a mineração de dados, e esta, por sua vez, está
procurando padrões nos dados que podem levar a maiores vendas e lucros.
Existem três tipos principais de data warehouse; veja a seguir (RAMAKRISH-
NAN; GEHRKE, 2011).
Armazém de dados corporativos (EDW, ou enterprise data warehouse):
esse tipo de armazém serve como um banco de dados chave ou central
que facilita os serviços de suporte à decisão em toda a empresa. A van-
tagem desse tipo de warehouse é que ele fornece acesso a informações
entre organizações. Também oferece uma abordagem unificada para
representação de dados e permite a execução de consultas complexas.
Armazenamento de dados operacionais (ODS, ou operational data store):
esse tipo de data warehouse é atualizado em tempo real. Muitas vezes,
é preferido para atividades de rotina, como armazenar registros de
funcionários. Ele é necessário quando os sistemas de data warehouse
não suportam as necessidades de relatórios do negócio.
Data mart: um data mart é um subconjunto de um data warehouse
criado para manter um determinado departamento, região ou unidade
de negócios. Cada departamento de uma empresa tem um repositório
central ou data mart para armazenar dados. Os dados do data mart
são armazenados no ODS periodicamente. O ODS então envia os dados
para o EDW, onde eles são armazenados e usados.
Ferramentas OLAP
O data warehouse contribui para os mais diferentes níveis organizacionais,
fornecendo informações para a tomada de decisão estratégica e identificando
o público-alvo mais adequado para o produto ou serviço que a empresa pre-
tende comercializar ou o posicionamento que tem mais aceitação e potencial
de crescimento no mercado de atuação. Ele também auxilia na identificação
de tendências de negócios de longo prazo, analisando padrões de comporta-
mento que possam identificar a queda ou o crescimento de alguma categoria
de produto.
8 Utilização das metodologias de data warehouse
Uma das ferramentas mais utilizadas no conjunto do data warehouse é
o OLAP (On-Line Analytical Processing, ou Processamento Analítico On-line).
O objetivo dessa ferramenta é converter dados armazenados em informações
que podem ser úteis para as organizações. Segundo Ramakrishnan e Gehrke
(2011), a representação do OLAP se dá por meio de um cubo multidimensio-
nal, do cruzamento das medidas (indicadores) e dos seus respectivos dados
de dimensão. Quando é feita a modelagem dos dados analíticos, define-se
determinado assunto que será representado pela sua medida. Tal medida
depende do conjunto de dimensões que o apoiam nas suas consultas ad hoc.
O OLAP é uma tecnologia poderosa para descoberta de dados, incluindo
recursos para visualização ilimitada de relatórios, cálculos analíticos comple-
xos e planejamento preditivo de cenários hipotéticos (orçamento, previsão).
Os sistemas OLAP são projetados para atender às consultas que surgem em
função das necessidades dos usuários no momento. Nessa tecnologia, os
dados brutos são transformados em informações consistentes para tornar
fácil sua compreensão por parte do usuário (ALVES, 2014).
O Quadro 1 mostra os tipos possíveis de classificação do OLAP.
Quadro 1. Tipos relacionados a OLAP
Tipo Descrição
ROLAP (Relational Utiliza bancos de dados relacionais e tem como
OLAP) principal vantagem o fato de utilizar tecnologia já
consagrada, de arquitetura aberta e padronizada, que
abrange uma ampla faixa de plataformas.
MOLAP Utiliza bancos de dados multidimensionais,
(Multidimensional possibilitando a execução de análises sofisticadas.
OLAP) Os dados são organizados em estruturas de array para
oferecer um ótimo desempenho.
HOLAP (Hybrid OLAP) Uma estrutura híbrida que une características
dos modelos ROLAP e MOLAP. Assim, produtos
no padrão ROLAP incorporam bancos de dados
multidimensionais.
WOLAP (Web OLAP) Tecnologia OLAP aplicada ao ambiente da internet,
caracterizada pela independência de plataforma e
facilidade de uso e manutenção.
Fonte: Adaptado de Alves (2014).
Utilização das metodologias de data warehouse 9
Veja a seguir as principais características de cada uma das variações
descritas no Quadro 1.
ROLAP
O ROLAP (Processamento Analítico Relacional On-line) armazena dados em
colunas e linhas, também conhecidas como tabelas relacionais (HEUSER, 2009),
e recupera as informações sob demanda por meio de consultas enviadas pelo
usuário. Um banco de dados ROLAP pode ser acessado por meio de consultas
SQL complexas para calcular informações. O ROLAP pode lidar com grandes
volumes de dados. Contudo, quanto maiores os dados, mais lentos são os
tempos de processamento (ALVES, 2014).
Como as consultas são feitas sob demanda, o ROLAP não requer armaze-
namento e pré-computação de informações. No entanto, a desvantagem das
implementações de ROLAP são as potenciais restrições de desempenho e as
limitações de escalabilidade que resultam de operações de junção grandes
e ineficientes entre tabelas grandes. A Figura 2 mostra uma representação
do ROLAP (ALVES, 2014).
Figura 2. Representação do ROLAP.
Fonte: Adaptada de Carvalho (2004).
10 Utilização das metodologias de data warehouse
Na Figura 2, podemos ver um gerenciador de banco de dados relacional
que utiliza alguma ferramenta ETL para extração de dados e transformação
de carga para que os dados sejam armazenados em um servidor ROLAP.
MOLAP
O MOLAP (Processamento Analítico On-line Multidimensional) tem sua fun-
damentação na utilização de cubo multidimensional que permite, por meio
de diversos arranjos, o acesso a dados ou informações armazenadas. A ideia
de seu funcionamento é pré-processar, ajustar e armazenar os dados (uma
diferença para o ROLAP, que atende as consultas sob demanda) (GOLDSCHMIDT;
BEZERRA; PASSOS, 2015).
A abordagem multicubo, muito bem utilizada nesse tipo de modelo,
é composta por uma série de pequenos cubos pré-calculados que formam um
hipercubo. Segundo Goldschmidt, Bezerra e Passos (2015), diversas bases de
dados e ferramentas podem ser incluídas nessa abordagem, a fim de facilitar
a análise geral. A Figura 3 mostra um exemplo de cubo multidimensional.
Figura 3. Exemplo de matriz multidimensional.
Fonte: Mannino (2014, p. 562).
Utilização das metodologias de data warehouse 11
Observe que a interface do MOLAP é simples, o que torna a usabilidade mais
eficiente, mesmo para usuários inexperientes. Mannino (2014) esclarece que
esse modelo permite uma recuperação rápida de dados, tornando-o melhor
para operações de subdivisões de dados, conhecidas como “fatiar e cortar”.
HOLAP
O modo de armazenamento HOLAP (Processamento Analítico On-line Híbrido),
como o nome sugere, conecta atributos de MOLAP e ROLAP. Como o HOLAP
envolve o armazenamento de parte de seus dados em um armazenamento
ROLAP e outra parte em um armazenamento MOLAP, os desenvolvedores
obtêm os benefícios de ambos (SHARDA; DELEN; TURBAN, 2019).
Com esse uso dos dois OLAPs, os dados são armazenados tanto em bancos
de dados multidimensionais quanto em bancos de dados relacionais. A decisão
de acessar um dos bancos de dados depende de qual é o mais adequado para
a aplicação ou o tipo de processamento solicitado. Essa configuração permite
muito mais flexibilidade para lidar com dados. Para o processamento teórico,
os dados são armazenados em um banco de dados multidimensional. Para o
processamento pesado, os dados são armazenados em um banco de dados
relacional (SHARDA; DELEN; TURBAN, 2019).
O WOLAP sugere uma tecnologia baseada apenas na web, sem qual-
quer tipo de opção de instalação local ou cliente local para acessar
os dados. As características mais significativas desse estilo de OLAP são o
investimento consideravelmente menor envolvido no lado do cliente, pois só é
necessário um navegador, e a acessibilidade aprimorada para se conectar aos
dados (ERIKA, 2007).
As atualizações de um data warehouse são outro processo que deve ser
bem planejado e definido. Quando os dados são alterados nas bases de
origem, o data warehouse é atualizado de forma assíncrona entre os bancos
de dados e o data warehouse. Mannino (2014) afirma que o gerenciamento
das atualizações deve ser planejado no projeto, de modo que não se permita
a perda ou até mesmo o uso de dados que possam induzir o usuário a um
falso resultado na análise.
12 Utilização das metodologias de data warehouse
Os data warehouses são atualizados pela coleta de dados alterados de
várias fontes. Um conjunto de dados de alteração consiste em novos dados
(inserções) e modificações em dados existentes (atualizações e exclusões).
Além disso, a alteração de dados também pode afetar as tabelas de fatos e/
ou as tabelas de dimensões.
Outra diferença que precisa ser estabelecida é entre o uso de
data warehouses e de sistemas tradicionais de tomada de decisão.
Um sistema de suporte à decisão (DSS) é um sistema de informações interativo
construído em cima de um data warehouse para facilitar a consulta ou a extração
de informações dos dados. Essencialmente, qualquer sistema que forneça clareza
sobre os dados pode ser considerado um DSS. Isso inclui planejadores de rotas
por GPS, como Google Maps ou Waze, que avaliam várias rotas e condições de
tráfego para encontrar a melhor rota entre os pontos A e B. Na área da saúde,
um médico pode usar um DSS computadorizado para diagnosticar e prescrever
medicamentos para um paciente. Outro exemplo seria um banco usando dados
de experiências anteriores para aumentar suas chances de detectar fraudes.
É importante esclarecer que, além de um DSS simples ter uma única fonte,
ele não realiza indexação nem tratamento de dados. Os dados históricos são
mantidos em uma base de dados convencional para serem analisados usando,
por exemplo, técnicas de mineração de dados, a fim de obter as informações
utilizadas nas tomadas de decisão.
Depois de conhecer essas definições e características, vamos ver a seguir
algumas das principais aplicações relacionadas ao data warehouse.
Aplicações de data warehouse
Toda organização, independentemente de seu tamanho ou do setor em que
trabalhe, requer um data warehouse para conectar suas diferentes fontes
para antecipação, análise, relatórios, inteligência de negócios e para facilitar
a tomada de decisões robustas Goldschmidt, Bezerra e Passos (2015). Vamos
ver a seguir as melhores aplicações de data warehouse em diferentes setores.
A mídia social é um ótimo exemplo de armazenamento de dados. A indústria
de mídia social está surgindo e, com ela, vem a necessidade de implementar
o data warehouse nela. Vários recursos do Facebook, do Twitter e de outros
sites de mídia social também são baseados na análise de grandes conjuntos
de dados. O data warehouse reúne todos os dados, como grupos, curtidas,
Utilização das metodologias de data warehouse 13
amigos, mapeamento de localização, entre outros, e os armazena em um único
repositório central. Embora todas essas informações sejam armazenadas em
bancos de dados separados, as informações mais relevantes e significativas
são armazenadas em um banco de dados central agregado.
No sistema aéreo, o data warehouse é utilizado para fins de operação,
como atribuição de tripulação, análise de rentabilidade de rotas, promoções
de programas para passageiros frequentes, etc. Já no setor bancário, o data
warehouse é amplamente utilizado para gerenciar os recursos disponíveis
na mesa de forma eficaz. Alguns bancos também utilizam para pesquisa de
mercado, análise de desempenho do produto e operações.
O setor de saúde usa o data warehouse para criar estratégias e prever
resultados, gerar relatórios de tratamento de pacientes, compartilhar dados
com companhias de seguros vinculadas, serviços de assistência médica, etc.
No setor público, o data warehouse é usado para coleta de inteligência.
Ele ajuda as agências governamentais a manter e analisar registros fiscais
e registros de políticas de saúde para cada indivíduo. O governo federal,
por exemplo, utiliza os data warehouses para pesquisa em conformidade,
enquanto o governo estadual os utiliza para serviços relacionados a recursos
humanos, como recrutamento, e à contabilidade, como gerenciamento de
folha de pagamento. Todo o banco de dados de Direito Penal do governo
também está conectado ao data warehouse do estado. A atividade criminosa
é prevista a partir de padrões e tendências, resultados da análise de dados
históricos associados a criminosos do passado.
As universidades utilizam data warehouses para extração de informações
utilizadas para a proposta de bolsas de pesquisa, compreensão da demografia
de seus alunos e gestão de recursos humanos. O departamento financeiro
da maioria das universidades depende de data warehouses, inclusive o de-
partamento de ajuda financeira.
Nas cadeias de varejo, o data warehouse é amplamente utilizado para
distribuição e marketing. Ele também ajuda a rastrear itens, promoções e
o padrão de compra do cliente. Ainda, é usado para determinar a política
de preços. Já no setor de telecomunicações, um data warehouse é usado
para promoções de produtos, decisões de vendas e tomadas de decisão de
distribuição.
A indústria de manufatura inclui projeto de produtos e processos, pro-
gramação, planejamento, produção, manutenção e grandes investimen-
tos em equipamentos, mão de obra e maquinário pesado. Nesse cenário,
as decisões tomadas têm grandes efeitos em termos de rentabilidade e de
questões estratégicas de longo prazo. Muitas indústrias estão tentando se
14 Utilização das metodologias de data warehouse
converter, e muitas deveriam adotar a tecnologia de data warehouse em vez
da tradicional tomada de decisão para que um warehouse reúna, padronize e
armazene dados de várias aplicações, melhorando os processos e aumentando
a eficiência da indústria. Afinal, analisar os dados em aplicações separadas
é demorado. Nessa fase, alguns sistemas de processamento de transações
atualizados em tempo hábil são frequentemente contratados para propagar
o negócio rotineiro das empresas de manufatura e construção.
A implementação de um data warehouse se faz mais otimizada quando
se segue uma série de considerações (RAMAKRISHNAN; GEHRKE, 2011). É im-
portante decidir um plano para testar a consistência, precisão e integridade
dos dados. O data warehouse deve ser bem integrado, bem definido e com
carimbo de data/hora. Ao projetar o data warehouse, certifique-se de usar
a ferramenta certa, manter o ciclo de vida, cuidar dos conflitos de dados e
estar pronto para saber que você cometeu alguns erros.
Nunca substitua sistemas operacionais e relatórios. Não gaste muito
tempo extraindo, limpando e carregando dados, e certifique-se de envolver
todas as partes interessadas, incluindo o pessoal de negócios, no processo
de implementação do data warehouse. É importante estabelecer que o arma-
zenamento de dados é um projeto conjunto, em equipe. Você não quer criar
um data warehouse que não é útil para os usuários finais. Por isso, prepare
um plano de treinamento para os usuários finais.
Mudanças nas restrições regulatórias podem limitar a capacidade de com-
binar fontes de dados diferentes. Essas fontes díspares podem incluir dados
não estruturados que são difíceis de armazenar. À medida que o tamanho dos
bancos de dados cresce, as estimativas do que constitui um banco de dados
muito grande continuam a crescer. É complexo construir e executar sistemas
de data warehouse que estão sempre aumentando de tamanho. Os recursos
de hardware e software disponíveis atualmente não permitem manter uma
grande quantidade de dados on-line.
Os dados multimídia não podem ser facilmente manipulados como dados
de texto, e as informações textuais podem ser recuperadas pelo software
relacional disponível atualmente.
Dada a gama de aplicações, os data warehouses têm funcionalidades
profundamente enraizadas em todos os setores que usam dados estruturados
e não estruturados de fontes diferentes para previsão, criação de relatórios
analíticos e inteligência de negócios. O uso de data warehouses permite uma
tomada de decisão mais robusta.
Utilização das metodologias de data warehouse 15
Referências
ALVES, W. P. Banco de dados: teoria e desenvolvimento. São Paulo: Érica, 2014.
CARVALHO, B. F. Arquiteturas de ferramentas OLAP. SQL Magazine, n. 9, 2004. Dispo-
nível em: [Link] [Link]/artigo-sql-magazine-9-arquiteturas-de-
-ferramentas-olap/7565. Acesso em: 21 jul. 2022.
GOLDSCHMIDT, R.; BEZERRA, E.; PASSOS, E. Data mining: conceitos, técnicas, algoritmos,
orientações e aplicações. 2. ed. Rio de Janeiro: Elsevier, 2015.
HEUSER, C. A. Projeto de banco de dados. 6. ed. Porto Alegre: Bookman, 2009. (Série
Livros didáticos, Instituto de Informática da UFRGS, n. 4).
MANNINO, M. V. Projeto, desenvolvimento de aplicações & administração de banco de
dados. 3. ed. Porto Alegre: AMGH, 2014.
RAMAKRISHNAN, R.; GEHRKE, J. Sistemas de gerenciamento de banco de dados. 3. ed.
Porto Alegre: AMGH, 2011.
SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados para gestão
do negócio. 4. ed. Porto Alegre: Bookman, 2019.
Leitura recomendada
ERIKA. Um estudo sobre as ferramentas OLAP. Devmedia, 2007. Disponível em: ht-
tps://[Link]/um-estudo-sobre-as-ferramentas-olap/6691. Acesso em:
21 jul. 2022.
Os links para sites da web fornecidos neste capítulo foram todos
testados, e seu funcionamento foi comprovado no momento da
publicação do material. No entanto, a rede é extremamente dinâmica; suas
páginas estão constantemente mudando de local e conteúdo. Assim, os edito-
res declaram não ter qualquer responsabilidade sobre qualidade, precisão ou
integralidade das informações referidas em tais links.