FACULDADE DE BALSAS
CURSO DE SISTEMAS DE INFORMAÇÃO
CRIAÇÃO DE UM AMBIENTE DE EXPLORAÇÃO OLAP
PARA ANALISAR DADOS DAS VENDAS DO GRUPO DE POSTOS
DE COMBUSTÍVEIS PIONEIRO
CAIRO DA SILVA BORGES
BALSAS (MA)
2010
FACULDADE DE BALSAS
CURSO DE SISTEMAS DE INFORMAÇÃO
CRIAÇÃO DE UM AMBIENTE DE EXPLORAÇÃO OLAP
PARA ANALISAR DADOS DAS VENDAS DO GRUPO DE POSTOS
DE COMBUSTÍVEIS PIONEIRO
POR:
CAIRO DA SILVA BORGES
Trabalho de Conclusão de Curso apresentado
como exigência parcial para obtenção do título de
Bacharel em Sistemas de Informação à Faculdade
de Balsas, sob a orientação do Professor Junior
Bandeira.
BALSAS (MA)
2010
FACULDADE DE BALSAS
CURSO DE SISTEMAS DE INFORMAÇÃO
A Comissão Examinadora, abaixo assinada, aprova o Trabalho de
Conclusão de Curso (TCC).
CRIAÇÃO DE UM AMBIENTE DE EXPLORAÇÃO OLAP
PARA ANALISAR DADOS DAS VENDAS DO GRUPO DE POSTOS
DE COMBUSTÍVEIS PIONEIRO
Elaborada por
CAIRO DA SILVA BORGES
como requisito parcial para obtenção de Bacharel em Sistemas de Informação
BANCA EXAMINADORA
__________________________________
Prof (a). Junior Bandeira
Prof. Orientador
__________________________________
Prof (a). José Sinotti
Membro da Banca Examinadora
__________________________________
Prof (a). Cassiana Fagundes
Membro da Banca Examinadora
DEDICATÓRIO
Dedico este trabalho de conclusão de curso a Deus por me ter oferecido a
oportunidade de viver, evoluir a cada dia, a todos os meus familiares que me
ajudaram a alcançar mais um objetivo na minha vida, aos meus pais em especial
pelo apoio e carinho recebido durante esta etapa, a minha namorada que não mediu
esforços para me ajudar a continuar nesta trajetória.
AGRADECIMENTOS
Ao Profº. Junior Bandeira, meu orientador, pelo apoio, paciência, credibilidade e
compreensão que me proporcionou.
Ao Profº Gustavo Borges, meu co-orientador, pela ajuda prestada e atenção
dedicada a este trabalho.
Ao Coordenador do curso de Sistemas de Informação, Profº Marlon Possani, pela
amizade e apoio dedicado durante todo o período acadêmico.
Aos meus companheiros de curso.
A todos que contribuíram direta e indiretamente na realização deste trabalho.
RESUMO
Na busca de um diferencial competitivo as empresas atuam dinamicamente. Nesta
busca, uma das técnicas é transformar dados armazenados com o tempo em
informações que auxiliem a tomada de decisão com o objetivo de descobrir fatos e
atuar com ações. Este tipo de solução é a Business Intelligence (BI), que utiliza
ferramentas que possibilitam a exploração dos dados, transformando em
informações visuais e de fácil entendimento para os gestores. No mercado existem
inúmeras ferramentas de BI, o presente trabalho utilizou o software livre, PENTAHO
na versão 3.5. Aplicou-se a solução de BI ao Grupo de Postos de Combustíveis
Pioneiro na qual se constitui por empresas localizadas nas cidades de Balsas e
Açailândia no Maranhão. A solução resume-se na construção de um cubo OLAP,
onde o mesmo explora uma grande massa de dados precisos e rápidos, referente às
vendas ocorridas entre os períodos de 2009 e 2010. Construiu-se ainda um Data
Mart de vendas para armazenar e centralizar os dados históricos, além de um
framework em linguagem de programação PHP que realizou a importação dos
dados dos Data Warehouses para o Data Mart central. Dessa forma a solução
proveu uma comparação dos dados explorados com os feriados e fatores
socioeconômicos de cada uma das cidades utilizando a técnica de estatística Anova,
com objetivo de agregar conhecimento para analisar fatos ocorridos nos períodos,
ou ainda, usando a solução como vantagem competitiva.
Palavras - chaves: Business Intelligence (BI). Postos Pioneiro. OLAP. Banco de
Dados.
SUMÁRIO
1. INTRODUÇÃO ........................................................................................................ 9
1.1 Delimitação do tema .......................................................................................... 9
1.2 Problemática ...................................................................................................... 9
1.3 Objetivos ............................................................................................................ 9
1.3.1 Geral ........................................................................................................... 9
1.3.2 Específico.................................................................................................... 9
1.4 Justificativa ...................................................................................................... 10
1.5 Metodologia ..................................................................................................... 10
2. REFERENCIAL TEÓRICO .................................................................................... 12
2.1 Armazenamento de Banco de Dados .............................................................. 12
2.2 Business Intelligence ....................................................................................... 12
2.2.1 Fontes de dados........................................................................................ 13
2.2.2 ETL (Extraction, Transformation and Loading).......................................... 14
2.2.3 Modelagens ............................................................................................... 14
2.2.4 Data Warehouse e Data Marts .................................................................. 17
2.2.5 Exploração dos dados ............................................................................... 18
2.2.6 Cubos de dados OLAP.............................................................................. 20
2.2.7 Linguagens................................................................................................ 27
2.2.8 Ferramentas OLAP ................................................................................... 28
2.3 PENTAHO uma ferramenta Open Source de BI .............................................. 28
2.3.1 A Plataforma ............................................................................................. 28
2.3.2 Características .......................................................................................... 30
2.3.3 Ferramentas .............................................................................................. 30
2.4 SPSS (Statistical Package for the Social Sciences) ........................................ 34
2.4.1 Análise de variância (Anova) ..................................................................... 35
3. ESTUDO DE CASO .............................................................................................. 37
3.1 A Empresa ....................................................................................................... 37
3.2 As vendas ........................................................................................................ 39
3.3 A solução ......................................................................................................... 40
3.4 Relações entre vendas com feriados e fatores socioeconômicos ................... 51
4. CONCLUSÃO........................................................................................................ 57
5. REFERÊNCIAS BIBLIOGRÁFICAS ...................................................................... 58
9
1. INTRODUÇÃO
Neste capítulo serão apresentados os objetivos definidos no trabalho,
justificativas e metodologias utilizadas assim como a delimitação do tema proposto.
1.1 Delimitação do tema
O trabalho busca apresentar a criação de um ambiente de exploração dos
dados através da técnica OLAP com a montagem de um cubo para analisar os
dados das vendas nos períodos de 2009 e 2010 do Grupo de Postos de
Combustíveis Pioneiro, fazendo uma comparação entre os feriados e fatores
socioeconômicos com as vendas neste período e exemplificando como eles podem
ser utilizados na tomada de decisões.
1.2 Problemática
A problemática do sistema atual está em não proporcionar ao gestor uma
visão completa do andamento das vendas, podendo analisar os dados em apenas
duas dimensões (tempo e vendas), o que dificulta uma tomada de decisões mais
rápida e precisa, além da demora no processamento dos dados pré-existentes.
1.3 Objetivos
1.3.1 Geral
Tornar a gestão do Grupo de Postos de Combustíveis Pioneiro mais
dinâmica, com base na análise de relatórios multidimensionais oriundos do Cubo
OLAP.
1.3.2 Específico
•
Fazer comparativo de vendas e lucratividade entre períodos semelhantes;
•
Analisar se existem relações entre os feriados e fatores socioeconômicos com
as vendas nos períodos de 2009 e 2010;
•
Criar um Data Mart central para importação dos dados das vendas;
•
Definir a estrutura do Cubo;
•
Estudar e implementar a ferramenta PENTAHO;
•
Proporcionar uma visão completa do andamento das vendas de todos os
produtos;
10
•
Tornar a tomada de decisões mais precisa, tendo como referencial os dados
extraídos do Cubo OLAP;
1.4 Justificativa
Através de relatos informais fornecidos pelo gestor do Grupo de Postos de
Combustíveis Pioneiro, pode-se analisar a dificuldade em realizar comparativos de
vendas com a ferramenta de gestão atual, de acordo com a problemática
supracitada.
O sistema atual possibilita também a realização de comparações entre
períodos, porém não oferece o dinamismo que o Cubo OLAP proporciona. A
ferramenta proposta gera relatórios interligados enquanto que o sistema atual gera
relatórios em separado, o que dificulta a visualização do conjunto de dados.
Com a criação do ambiente de exploração OLAP através da montagem do
Cubo, cada face pode ser analisada para posterior agrupamento dos dados das
outras faces. A implantação do Cubo OLAP traz consigo a possibilidade de uma
gestão facilitada, ampliando as potencialidades do empreendimento com os
benefícios agregados pelo mesmo.
1.5 Metodologia
O levantamento dos dados foi realizado através das informações reais de
vendas, repassadas pelo gestor do Grupo de Postos de Combustíveis Pioneiro,
como também pelos relatos informais do mesmo.
A metodologia utilizada para o desenvolvimento deste trabalho é constituída
por quatro fases:
Primeira: análise quantitativa (juntamente com o gestor da empresa) para extração
de informações pertinentes às vendas do grupo;
Segunda: realização de estudo sobre a técnica OLAP;
Terceira: Implementação da técnica do Cubo OLAP com referência aos dados
extraídos na primeira fase, analisando-se especificamente os resultados obtidos
com a ação.
11
Quarta: Utilização da técnica de Anova (análise de variância) para realizar uma
comparação entre os feriados e fatores socioeconômicos com as vendas nos
períodos de 2009 e 2010.
O trabalho que segue, está dividido da seguinte forma: capítulo 2; todo o
referencial teórico com as definições das técnicas utilizadas; no capítulo 3 o estudo
de caso, com a definição da necessidade do gestor do Grupo de Postos de
Combustíveis Pioneiro além da contextualização do ambiente explorado, a definição
do modelo e ferramentas utilizadas bem como os resultados obtidos, finalizando com
a análise entre as vendas e os feriados e fatores socioeconômicos. Por fim, no
capítulo 4 as considerações finais do trabalho desenvolvido.
12
2. REFERENCIAL TEÓRICO
Neste tópico será abordado todo o referencial teórico utilizado no trabalho,
bem como as definições das técnicas e ferramentas que foram utilizadas.
2.1 Armazenamento de Banco de Dados
De acordo com o livro escrito por Ferrari (2007) banco de dados pode ser
definido como um local no qual é possível armazenar informações, para consultas
ou utilização quando necessário. Já Ramakrishnan (2008) define Sistemas
Gerenciadores de Banco de Dados (SGBD) um software projetado para auxiliar a
manutenção e utilização de vastos conjuntos de dados.
Com o passar do tempo os dados armazenados se tornaram grandes e
volumosos sendo capaz de gerar uma lentidão em consultas e processamento, para
solucionar este problema surgiu então os Sistemas de Banco de Dados Relacionais
(SGBDR), cuja principal característica é gerenciar seus dados usando apenas as
capacidades relacionais.
Segundo Rosa (2004) hoje o grande problema dos SGBDs, tornou-se a
manipulação das informações, nunca se precisou extrair informações inteligentes
como agora, o principal motivo disso está em que as empresas crescem
constantemente com dados e informações.
2.2 Business Intelligence
Nos últimos tempos, os sistemas empresariais avançaram consideravelmente,
por conseguinte, os dados também evoluíram, em função desse crescimento, a
utilização do processo de Inteligência de Negócios (BI) em uma organização cresceu
fortalecendo a obtenção de informações gerenciais de maneira rápida e flexível de
tal forma que os gestores da empresa possam tomar decisões gerenciais.
A implantação do BI em uma empresa deve-se relacionar diretamente com o
gestor da empresa, definindo o objetivo geral, através de entrevistas, estabelecer os
objetivos específicos em base com os dados analisados. A partir das informações
coletadas, pode-se realizar uma análise das ferramentas necessárias.
Para Felber (2005) BI é a utilização de uma série de ferramentas para coletar,
analisar e extrair informações, que serão utilizadas no auxílio ao processo de
tomada de decisões.
13
A figura 1 exibe todo o framework de implantação de BI em uma empresa,
dando-se inicio a extração, carregamento e transformação dos dados contidos no
Data Warehouse que por sua vez pode ser organizado por Data Marts. O Data
Warehouse como o Data Mart serve de fonte de dados para exploração OLAP e
Data Mining, com resultado final exibido em interface intuitiva os dados explorados.
Figura 1: Processo de BI (Business Intelligence)
Fonte: Miranda (2010)
Um dos principais problemas encontrados durante o processo de extração
dos dados de outras fontes é a forma de que estes dados estão modelados,
dificultando todo o processo de BI, para isto o processo de Extraction,
Transformation and Loading (ETL) cuida do tratamento.
2.2.1 Fontes de dados
As fontes de dados são necessariamente os softwares instalados na
empresa, por exemplo: (aplicativos comerciais, sistema de estoque, base de dados,
etc.), dados externos (internet, documentações), planilhas eletrônicas. Toda a fonte
de dados possui seu repositório de dados independente com o objetivo de realizar
as atividades e armazenar seus dados.
14
2.2.2 ETL (Extraction, Transformation and Loading)
ETL basicamente, esse processo indica que as informações devem ser
extraídas das bases transacionais, transformadas para se adequar ao modelo
multidimensional definido, e carregadas no Data Warehouse. Existem diversas
ferramentas que visam apoiar a execução desse processo. Durante o processo a
parte mais difícil se encontra na transformação, pois, indica as regras que devem ser
aplicadas sobre os dados para evitar redundâncias e inconsistências garantindo uma
visão única e integrada dos dados. O processo de ETL possibilita extrair os dados
de diversas fontes criando uma visão única e consistente dos dados, a seguir a
figura 2, ilustra o processo de ETL.
Figura 2: Processo de ETL
Fonte: Withee (2010, Pag. 78)
O processo de ETL deve ser realizado de forma dinâmica sem deixar de lado
a regra de negócio que a empresa definir, deixando os dados de todo o processo de
forma simples para compreensão.
2.2.3 Modelagens
O SGBD possibilita que os usuários definam os dados que serão
armazenados em forma de modelo de dados, as modelagens podem ser definidas
como:
•
Modelagem Relacional:
A modelagem relacional foi criada para facilitar os acessos aos dados
possibilitando que os usuários utilizassem uma grande variedade de abordagens no
tratamento das informações, conforme Rodriguez (2000) este modelo está baseado
15
no modelo matemático de relacionamento de conjuntos, a estrutura de dados é
flexível tornando a visão dos dados simplificada.
Seu principal conceito é a Entidade Relacionamento (ER), que descreve todo
sistema e o relacionamento entre os dados em um modelo gráfico.
A modelagem relacional é a mais utilizada para modelagem de dados, pela
sua forma estruturada de relacionar os dados.
•
Modelagem Orientada a Objetos:
Os conceitos de orientação a objetos também pode ser representada em
banco de dados assim como na programação, Rodriguez (2000) representa uma
estrutura, onde os dados são tratados como objeto e através disso é possível
relacionar com atributos. De acordo com Figueiredo e Soares (2005) em seu artigo
define a comparação entre modelagem relacional e modelagem orientada a objetos,
enquanto a modelagem estruturada relacional baseia-se em conceitos de entidades
e atributos, tais como relacionamentos, normalização, chaves para evitar a
redundância e inconsistência à modelagem orientada a objetos se define
basicamente em conceitos, estruturas e modelos baseados no mundo real.
•
Modelagem Multidimensional:
Apresenta características de utilizar uma estrutura de dados em dimensões,
através de uma tabela centralizadora (tabela fato), e de tabelas que se relacionam
com a mesma, chamada de tabela dimensões, enquanto a tabela fato armazena as
medidas e variáveis, as tabelas dimensões caracterizam por apresentar visões sobre
as medições e formas de visualizar os dados.
Através de uma estrutura multidimensional se torna mais fácil a análise dos
dados de forma detalhada sendo mais efetiva para o ambiente empresarial. A
implementação se torna mais complexa necessitando de uma linguagem para o
modelo, como a “MDX”, sendo muito parecida com o SQL, porém suporta realizar
consultas de n dimensões, enquanto o SQL suporta apenas duas dimensões, das
vendas por tempo como mostra a figura 3.
16
Figura 3: Visão SQL e Multidimensional
Fonte: Autor Próprio (2010)
Surgiu então o conceito de cubo, pois o mesmo apresenta uma melhor visão
dos dados explorados, a figura 4 mostra um modelo de cubo, o assunto será mais
detalhado no item 2.2.6.
Segundo Maganha (2006), a modelagem multidimensional permite que o
usuário final observe seu banco de dados em formato de cubo com n dimensões, o
número de dimensões é definido pelo projetista baseado em aspectos comuns de
negócio da empresa.
Figura 4: Cubo de dados sob visão Multidimensional
Fonte: Oracle (2010)
A modelagem multidimensional é a forma mais indicada para realizar a
visualização de dados estruturados em várias dimensões realizando uma exploração
mais efetiva dos dados.
17
2.2.4 Data Warehouse e Data Marts
Segundo Ramakrishnan (2008) o Data Warehouse contém dados de
diferentes fontes de dados, cobrindo um longo período de tempo. Data Warehouse
quer dizer (armazém de dados), os dados deste ambiente são utilizados de forma
analítica para o processo de tomada de decisão dos negócios.
Para visualizar e realizar as análises sobre os dados armazenados no Data
Warehouse podem ser utilizadas, basicamente, duas abordagens: ferramentas
OLAP e mineração de dados. Conforme Araújo (2007) a tecnologia OLAP possibilita
às organizações um método de acesso, visualização, e análise de dados
corporativos com alta flexibilidade e desempenho, por meio de relatórios e análises a
cubos de dados. De acordo com Alves (2009) Data Mart são na verdade um
subconjunto de informações existentes no Data Warehouse, cujo desenho é
elaborado de tal forma a atender a um segmento ou unidade de uma organização.
Como mostra na figura 5, a melhor estrutura de uma Data Warehouse é
quando ele é composto por Data Marts, se não houver esta organização a
complexidade de exploração e organizações dos dados serão imensas, além de
gerar uma manutenção mais árdua e complexa. Data Mart é um subconjunto de uma
Data Warehouse, cujo objetivo é facilitar a exploração de dados por áreas.
Figura 5: Visão Data Warehouse e Data Marts
Fonte: Autor Próprio (2010)
18
Conforme Barbieri (2001) o Data Warehouse é um banco de dados orientado
por assunto, não volátil, integrado e variante ao tempo. O alto nível de complexidade
para o desenvolvimento de certos Data Warehouse, faz com que seja necessário
iniciar o desenvolvimento através de Data Marts departamentais, que ao final, serão
integrados ao Data Warehouse.
2.2.5 Exploração dos dados
A exploração de dados é a área que se dedica a busca do conhecimento
através de grande quantidade de dados históricos. É notório que toda empresa
necessita de conhecimento, porém é assegurado que existem passos anteriores
como a obtenção de dados e consolidação destes em informação.
Segundo Bispo (1998) as decisões são tomadas baseando-se em
comparações e em tendências; é necessário realizar-se análises em diversas
perspectivas (dimensões) do negócio com o passar do tempo.
O Data Warehouse é a fonte para a exploração dos dados, Data Mining e
OLAP são as técnicas mais utilizadas.
Enquanto as técnicas de OLAP objetivam trabalhar os dados existentes,
buscando consolidações em vários níveis, trabalhando fatos em dimensões
variadas, a técnica de Data Mining busca algo mais que a interpretação de
dados existentes. Visa fundamentalmente realizar inferências, tentando
como que “adivinhar” possíveis fatos e correlações não explicitadas nas
montanhas de dados de uma Data Warehouse / Data Marts (BARBIERI,
2001. Pag. 424).
Com a exploração dos dados pode-se utilizar as técnicas de Data Mining e
OLAP, a fim de proporcionar uma melhor análise dos dados.
2.2.5.1 Data Mining (Mineração de dados)
Segundo Bispo (1998), Mineração de dados (Data Mining) faz uso de técnicas
de inteligência artificial, lógica fuzzy, redes neurais e outras, que buscam nos
históricos, de uma empresa, padrões e tendências nos dados. Com o uso de
ferramentas de mineração é possível efetuar analises em grandes massas de dados
e como resultado descobrir relacionamentos, padrões nas vendas gerando
condições para a empresa realizar uma boa tomada de decisão.
19
A tecnologia utilizada no Data Mining procura em grandes quantidades de
dados armazenados extrair padrões e relacionamentos que podem ser fundamentais
para os negócios da empresa.
Para exemplificar, pode-se descobrir que clientes estão comprando
determinado produto, porque está comprando, a faixa etária dos clientes, qual
horário que mais vende o local de venda de determinado produto, entre outros,
enfim, dados que antes eram obscuros aos olhos de um analista, com o Data Mining
são visíveis.
2.2.5.2 OLAP (Online Analytical Processing)
OLAP é uma ferramenta de Business Intelligence utilizada para apoiar as
empresas na análise de suas informações, visando obter novos conhecimentos que
são empregados na tomada de decisão.
Segundo Fonseca (2007) OLAP é parte da tecnologia de Data Warehouse
que habilita usuários a explorar interativamente.
Bispo (1998) caracteriza a visão multidimensional dos dados é um conceito
que pode parecer algo completamente abstrato; porém, é mais natural, mais fácil e
intuitiva, permitindo a visão dos negócios da empresa em diferentes perspectivas e,
assim, transformando os usuários em exploradores de informações.
O termo OLAP refere-se com objetivo final de transformar dados em
informações capazes de suportar as decisões gerenciais de forma amigável e
flexível ao usuário e em tempo hábil. OLAP trouxe uma grande capacidade de
efetuar cálculos complexos como previsões, percentuais de crescimento e médias
diversas considerando-se a variável tempo.
A tecnologia OLAP possibilita às organizações um método de acesso,
visualização, e análise de dados corporativos com alta flexibilidade e desempenho
Araújo (2007), por meio de relatórios e análises a cubos de dados. Um cubo de
dados é uma representação intuitiva do fato a ser analisado.
Partindo dos primórdios da informática, quando um sistema que gerava
relatórios era a principal fonte de dados residentes na empresa, toda vez que uma
análise necessitasse ser feita, eram produzidos novos relatórios. Estes relatórios
20
eram produzidos pela área de informática, precisavam de muito tempo para ficar
prontos e também, apresentavam os seguintes problemas: estáticos e com acúmulo
de diferentes tipos de relatórios num sistema gerava um problema de manutenção.
Os sistemas OLAP possibilitam efetuar diferentes tipos de consultas, eles
efetuam a exploração dos dados no Data Warehouse. Neste tipo de análise
denominada multidimensional os dados são representados como dimensões em vez
de tabelas.
O OLAP é uma solução de ambiente, integração e modelagem de dados. A
maioria dos dados de uma aplicação OLAP, é originária de outros sistemas e fontes
de dados. Para formular a topologia e o projeto de uma solução OLAP
multidimensional as seguintes perguntas devem ser feitas: Quando?, O quê?, Onde?
e Quem?. Essas perguntas formam a base de todos os campos multidimensionais. A
obtenção dos dados originários das respostas são destinados ao Data Warehouse e,
possivelmente para um ou vários Data Marts.
As ferramentas OLAP são conhecidas pela sua flexibilidade, tem como
principal características a visão multidimensional dos dados, sendo capaz de
mostrar os dados de uma empresa através de várias perspectivas, ou seja, onde
antes havia uma consulta simples em uma tabela relacional, agora se pode ter em
mãos uma consulta onde várias tabelas relacionadas ou não podem ser vistas,
manipuladas, comparadas e exploradas, a fim de identificar tendências e conduzir os
negócios com precisão milimétrica nas decisões.
Outra característica do OLAP, que o diferencia da mineração, é o fato de que
a relação entre os dados não é apresentada diretamente, mas sim fornecendo uma
interface intuitiva para consultas do usuário, onde o mesmo interage com as
dimensões, faz consultas, verifica informações em profundidade e compara as
informações.
2.2.6 Cubos de dados OLAP
O conceito de cubo foi associado devido à semelhança entre as técnicas de
modelagem e a apresentação visual de um cubo. A diferença entre o cubo de 6
lados para o cubo OLAP, é que o segundo não apresenta limite de dimensões
21
(lados) e medidas (tabela fato), sendo assim o primeiro serve apenas para conceito
de multidimensão.
O cubo possui dimensões e medidas associadas, e os dados são
armazenados na forma de células.
Um cubo de dados é um tipo de matriz multidimensional que permite que os
usuários explorem a analisem uma coleção de dados de muitas
perspectivas diferentes, geralmente considerando três fatores (dimensões)
de cada vez (KAY, 2010).
A Figura 6 apresenta os dados em forma de “cubo de 6 lados”, com três
dimensões “produto”, “local” e “tempo”, ou seja, a quantidade vendida, pode ser
visualizada quanto pela data, como por produto vendido e local de venda, neste
caso podemos realizar consultas com “n” dimensões, usando a linguagem MDX, que
será discutida nos próximos tópicos, e não se limitando a consultas simples como no
uso da linguagem SQL.
Figura 6: Cubo de dados
Disponível in: Oracle (2010).
Quanto à forma de visualização dos dados no cubo, tem que ser explorado
para que todos os lados sejam visíveis, visualizando assim as vendas de forma
dinâmica e intuitiva, a figura 7 exibe a explosão do cubo de dados já a figura 8
mostra a sua forma de organização.
22
Figura 7: Explosão do Cubo
Fonte: Autor próprio (2010)
Figura 8: Organização da medida e dimensões.
Fonte: Autor próprio (2010)
O Data Warehouse irá servir como base para construção dos cubos
multidimensionais.
As consultas OLAP são consultas de agregação. Os analistas querem
respostas rápidas para estas consultas sobre conjunto de dados muito
grande é natural considerar a computação prévia de visões
(RAMAKRISHNAN, 2008. Pag. 706).
Um cubo de dados é constituído por tabelas fatos e dimensões. As tabelas de
fatos representam o tema central do cubo e contêm atributos que são medidas
numéricas, pelas quais se quer analisar as relações existentes entre as dimensões.
2.2.6.1 Tabela fato
No modelo multidimensional um fato é representado por uma tabela fato. Uma
tabela fato é constituída de valores quantitativos e numéricos que representam um
assunto especifico no Data Warehouse.
23
Um conceito de tabela fato é citado conforme Imhoff e Geiger (2003) uma
tabela fato é a tabela dentro de um modelo dimensional que contém as medidas e
métricas de interesse.
Segundo Inmon (1997) a tabela fato é altamente indexada, ou seja, possui
muitos índices. Em alguns casos todas as colunas da tabela fato são indexadas. O
resultado que se obtém indexando todos os dados é uma tabela fato muito
acessível. Como regra, a tabela fato não é atualizada. Cada dado carregado é
armazenado em um novo registro.
Conforme mostra a figura 9 a tabela vendas é caracterizada como a tabela
fato.
Figura 9: Tabelas dimensões e Tabela fato
Fonte: Devmedia (2010).
2.2.6.2 Tabela dimensão
Uma dimensão se constitui de elementos que permitem caracterizar um
determinado fato, a figura 10 representa as dimensões mês, cliente, produto e
região. Assim formando as dimensões da tabela fato vendas.
Figura 10: Tabela Dimensões
Fonte: Devmedia (2010)
24
Conforme Martins (2007), as informações são do tipo, tempo, geografia,
produto, cliente entre outros. Sendo assim compostas por atributos e uma única
chave primária, que interliga a tabela dimensão com a tabela fatos.
Uma tabela dimensão é um conjunto de tabelas de referências que
provêem a base para restringir a agrupar consultas para informação
em uma tabela fato dentro de um modelo dimensional. A chave da
tabela dimensão tipicamente é uma parte da chave concatenada da
tabela fato, e tabela dimensão contém informação descritiva e
hierárquica (IMHOFF, GALEMMO E GEIGER, 2003, p.400).
Um modelo dimensional deve responder a algumas perguntas sobre o fato,
onde aconteceu, quando aconteceu, o que aconteceu, e com quem aconteceu, a
Figura 11 ilustra este modelo.
Figura 11: Representando as dimensões do fato.
Fonte: Machado (2004, pág. 115).
Na visão de usuário, a tabela dimensão pode ser descrita como uma visão ou
perspectiva do modelo analisado, pode-se dizer então que seria a pergunta de um
determinado modelo de negócio, onde a resposta seria apresentada na tabela fato.
2.2.6.3 Técnicas de Modelagem
Segundo
Felber
(2005),
existem
várias
técnicas
de
modelagem
multidimensional e relacional, dentre elas, as mais utilizadas são: Star Schema
(esquema estrela) e Snowflake (esquema flocos de neve).
25
•
Star Schema (esquema estrela)
A tabela de fatos conecta-se as demais por múltiplas junções, e as tabelas de
dimensões se conectam com a tabela de fatos com apenas uma junção, como
mostra a Figura 12.
Figura 12: Representa a disposição das dimensões no modelo estrela
Fonte: Machado (2004, pág. 93)
De acordo com Colaço (2004) como o próprio nome já diz, ele tem
semelhança com uma estrela, sendo que é composta por uma grande entidade, ou
melhor, uma tabela central dominante, chamada de tabela fato. No conjunto de
entidades, ou tabelas menores, que são arranjadas ao redor da tabela de fato, são
denominadas tabelas de dimensão.
•
Snowflake (esquema de floco de neve)
O modelo Floco reduz o espaço de armazenamento dos dados dimensionais,
mas acrescenta várias tabelas ao modelo, conforme mostra a figura 13.
“O modelo floco de neve é o resultado da decomposição de uma ou mais
dimensões, que possui hierarquia entre seus membros, pode se definir
relacionamentos muitos para um entre os membros de uma dimensão,
formando, por meio desses relacionamentos entre entidades de dimensão,
uma hierarquia é o resultado da aplicação da terceira forma normal sobre as
entidades de dimensão” (MACHADO, 2000, p. 74).
26
Figura 13: Representa a disposição no modelo Flocos de Neve
Fonte: Machado (2004, pág. 94)
O Modelo deixa mais complexa a exploração dos dados, tornando mais difícil
a navegação pelos softwares que utilizarão o banco de dados.
2.2.6.4 Operações em cubo OLAP
As características presentes nas ferramentas OLAP é a forma de operar os
dados, como por exemplo, as operações de tipo, segundo Araújo (2007):
•
Slice and Dice
É uma das principais características de uma ferramenta OLAP. Modifica a posição
de uma informação dentro do cubo através da troca de linhas e colunas.
•
Drill Down
Aumenta o nível de detalhe da informação consultada.
•
Drill Up
Diminui o nível de detalhe da informação.
•
Drill Across
Passa de um nível para outro na dimensão pulando algum nível intermediário.
27
•
Drill Through
Passa de uma informação contida numa dimensão para outra.
Outras operações que podem ser encontradas no OLAP, mas com objetivos
mais específicos são Drill Out, Drill Within, Sort, Ranking, Pivoting, Paging, Filtering,
Tiling, Alerts, Break.
2.2.7 Linguagens
Nos cubos OLAP, destaca-se as linguagens, MDX Para realizar consultas
multidimensionais, e para padronização dos códigos de busca o XML.
2.2.7.1 XML (Extensible Markup Language)
O Extensible Markup Language (XML) surgiu com o principal intuito de
padronização do código e segundo Benedito (2010), suas principais características
são buscas mais eficientes, desenvolvimento de aplicações flexíveis para web,
integração de dados de fontes diferentes, computação e manipulações locais,
múltiplas formas de visualizar os dados, atualização granulares dos documentos,
fácil distribuição da WEB, escalabilidade e flexibilidade, separação do conteúdo da
formatação, possibilidade de criação de tags sem limitação, interligação de banco de
dados distintos, legibilidade do código.
Extensible Markup Language (XML) é linguagem de marcação de dados
(meta-markup language) que provê um formato para descrever dados
estruturados. Isso facilita declarações mais precisas do conteúdo e
resultados mais significativos de busca através de múltiplas plataformas. O
XML também vai permitir o surgimento de uma nova geração de aplicações
de manipulação e visualização de dados via internet (BENEDITO, 2010).
2.2.7.2 MDX
A Linguagem MDX é semelhante à linguagem SQL, porém possibilita
consultas multidimensionais, diferente da SQL onde é possível efetuar consultas
com no máximo duas dimensões.
Linguagem de consulta à base de dados multidimensionais criada pela
Microsoft® em 1998, semelhante à linguagem SQL, parte de um padrão
industrial, o OLE DB for OLAP. Permite a especificação de até 128 eixos de
consultas, sendo, porém incomum a utilização de mais de 3 eixos
(TENORIO, 2010).
A linguagem MDX se torna uma fundamental característica das consultas em
cubos OLAP, pela sua dinâmica multidimensional.
28
2.2.8 Ferramentas OLAP
No mercado de BI (Business Intelligence) existem inúmeras ferramentas de
soluções para OLAP, que proporcionam as empresas condições e características
próprias para realizarem apoio à tomada de decisão, como soluções SQL SERVER,
ORACLE, IBM, etc.
Estas ferramentas proprietárias fornecem soluções somente para seus
SGBDS, forçando as empresas utilizar estes recursos. Surge então às ferramentas
gratuitas como o PENTAHO, uma ferramenta sob licença livre capaz de operar com
a maioria dos SGBDS existentes no mercado.
2.3 PENTAHO uma ferramenta Open Source de BI
O Pentaho Open Source Business Intelligence de acordo com Pentaho (2010)
é uma plataforma completa de Business Intelligence (BI), desenvolvida, distribuída e
implantada como código aberto, que inclui recursos de geração de relatórios,
integração e armazém de dados (Data Warehouse), análise de informações em
tempo real, painéis de controle gerencial, mineração de dados (Data Mining) e
modelos estatísticos. Essa solução, atualmente, é a mais popular dentre as soluções
de BI em código aberto do mundo. Ela é distribuída em duas versões: a versão
Community (livre, gratuita) e a versão Enterprise (paga). A plataforma Pentaho é
composta por vários componentes que podem ser usados integrados, como um
pacote de soluções, ou isoladamente, para atender necessidades específicas.
2.3.1 A Plataforma
A solução Pentaho define-se a si mesma como uma plataforma de BI
orientada para a solução e centrada em processos. Ou seja, não só apresenta os
resultados de uma forma única e dando uma visão geral do estado da empresa,
como implementa os próprios processos (workflow) para a resolução de problemas
detectados e apresentados. Segundo Pentaho (2010) a Pentaho Inc. integrou e
promoveu o desenvolvimento de ferramentas open source que fornecem os recursos
para criação de soluções de BI. O conjunto é conhecido por Pentaho Open BI Suíte
(ou Suíte Pentaho), incluem as suítes Reporting (Relatórios), Analysis (Exploração
dos dados), Data Integration (Extração dos dados), Dashboards (Relatórios
personalizados) e Data Mining (Mineração de dados). Devido à sua estrutura em
componentes, a Suíte pode ser utilizada para atender demandas que vão além do
29
escopo das Soluções de BI mais tradicionais. A figura 14 ilustra o processo da
plataforma do Pentaho Open BI Suíte, o presente trabalho utilizou-se da versão 3.5.
Figura 14: Plataforma Pentaho Open BI Suíte
Fonte: Miranda (2010)
As principais funcionalidades disponíveis, segundo Felber (2005) são:
•
Relatórios (Reporting): Fornece desde simples relatórios em uma página
WEB, relatórios de alta qualidade tais como relatórios de indicações
financeiras e relatórios ricos em conteúdos como tabelas, gráficos entre
outros.
•
Análises (Analysis): Permite consultas de exploração interativa com
operações slice-and-dice, drill-down e pivoting. Para exploração dos cubos
OLAP.
•
Painéis (Dashboards): Reúnem relatórios, análises e outras exposições em
um único local para simplificar o acesso, podendo ser customizado por
usuário, role ou assunto.
•
Data Mining: Descobre relacionamentos ocultos nos dados, que podem ser
utilizados para otimizar os processos de negócio e prever resultados futuros.
30
Permite que os resultados sejam exibidos em um formato de fácil
entendimento ao usuário.
•
Workflow: Liga diretamente as medidas de desempenho de negócio aos
processos, promovendo um ciclo contínuo de melhorias.
2.3.2 Características
Conforme Pentaho (2010) O Pentaho reuniu inúmeras características que o
faz ser o software livre de BI (Business Intelligence), mais utilizado no mercado,
entre as principais estão:
•
Preço: O Projeto Pentaho considerado Open source, ou seja, o programa é
distribuído gratuitamente com seu código-fonte aberto.
•
Usabilidade: A plataforma BI tem componentes de fácil integração com
sistemas externos, e oferece interfaces de fácil customização.
•
Orientação a ferramentas: A plataforma de BI é centrada em processos e
soluções. Ela não é projetada para ser um conjunto de ferramentas isoladas,
é um sistema completamente integrado.
•
Extensão: O código fonte é fornecido. A infra-estrutura, componentes,
mecanismos e interfaces podem ser facilmente modificados.
•
Foco em relatórios: A plataforma pode ser facilmente integrada aos processos
de negócios e tem facilidades para a geração de relatórios. Regras de
negócios são usadas para identificar problemas e exceções.
2.3.3 Ferramentas
A plataforma Pentaho é composta por vários componentes que podem ser
usados integrados, como um pacote de soluções, ou isoladamente, para atender
necessidades específicas que são segundo Pentaho (2010):
Mondrian – Servidor OLAP
Jpivot – Visualização de cubos multidimensionais.
Weka – Mineração de dados
Kettle – Integração de dados
JFreeReport – Gerador de relatórios
31
Schema Workbench – Criação dos cubos
•
Mondrian
De acordo com Neto (2008) o Mondrian é um servidor OLAP, escrito em Java,
e que foi incorporado como ferramenta ao pacote Pentaho. Ele executa consultas
escritas na linguagem MDX e converte para SQL, lendo dados de bases relacionais
e apresentando os dados no formato multidimensional, através de uma API Java.
•
JPivot
Um das principais ferramentas que realizam a comunicação entre Mondrian e
usuário é o Jpivot, uma interface gráfica desenvolvida em Java com código aberto,
para visualização de cubos multidimensionais. É através dele que são feitas as
consultas no cubo e também onde o cubo é visualizado, a figura 15 apresenta-se
algumas funcionalidades do Jpivot.
Figura 15: Barra de ferramentas JPivot
Fonte: Autor Próprio (2010)
1:
Esta opção permite colocar as dimensões em linhas, colunas ou passar por
filtros. Os filtros, também conhecidos como Slicer (fatiar) permitem filtrar os dados
contidos em uma dimensão membro, colocá-los em diferentes posições para melhor
análise.
2:
Esta opção permite a visualização e / ou editar a MDX para a atual consulta.
3:
Permite organizar os valores dos campos em ordem crescente ou
decrescente, mostrar ou ocultar membros.
4:
Mostra os membro (s) pai de uma consulta em uma linha.
5:
Impede a exibição de cabeçalhos repetidos ou que retornem valor zero, do
tipo “All produto”, fazendo com que assim múltiplos campos da próxima dimensão
sejam relacionadas com apenas um campo.
6:
Inverte colunas/linhas ou linhas/colunas
32
7-8-9: Botões de Drill up e Drill down, que controlam o comportamento de uma query
de diferentes modos de detalhamento.
10:
O Drill Through adiciona uma seta indicativa nas medidas que possibilitem
uma visualização mais especifica.
11:
Mostra o gráfico referente a consulta atual.
12:
Configura o gráfico, deixando personalizado da forma que o usuário desejar.
13:
Configuração de impressão.
14:
Exporta para PDF.
15:
Exportar para o Excel.
O Jpivot permite realizar toda a exploração através das tabelas do cubo e a
analise das mesmas, a figura 16 ilustra a visualização de um cubo de dados no
Jpivot:
Figura 16: Visualização dos dados com o JPivot
Fonte: Autor Próprio (2010)
•
Weka
O Weka é um ambiente gráfico para Data Mining. Segundo Pentaho (2010)
Permite ao usuário criar e testar hipóteses contra as bases de dados. Existem
grandes potencialidades na utilização de Data Mining para apoiar o processo de
tomada de decisão.
33
•
Kettle
Faz parte da suíte do Data Integration, e utiliza as técnicas de ETL, para a
obtenção dos dados que virão das várias fontes de dados, e que obrigatoriamente
teremos de cruzá-las em algum momento dentro do ciclo de ETL. Conforme Pentaho
(2010) o Kettle é capaz de ler e escrever em vários formatos de SGBD, como
Oracle, PostgreSQL, SQLServer, MySql, entre outros, e importar arquivos texto (csv
ou fixo), planilhas Excel e bases de dados ODBC (apenas em Windows). Ele é um
ambiente gráfico no qual conexões com fontes de dados são estabelecidas e
seqüências de passos executam a extração de dados, sua modificação e a carga
desses em um destino. O Kettle pode integrar dados entre empresas e sistemas,
substituindo a criação de camadas de programas para integração por operações
visuais.
•
JFreeReport
Uma das principais funcionalidades é a geração de indicadores, como
gráficos e painéis (Dashboards), os dois podem ser conectados a uma base de
dados em uso, e apresentar os dados em tempo real. Os gráficos podem ser criados
com modelos pré-definidos ou via Wizard com o sistema Report design, que se deu
origem através do JFreeReport, tudo com uma interface fácil e intuitiva.
•
Schema Workbench
O Schema Workbench cria os cubos no formato XML que serão processados
e exibidos pelo Pentaho. Ele tem uma interface visual para navegar entre as
definições do cubo, permitindo criar, além de métricas, dimensões e hierarquias,
muitas das estruturas que agregam valor na exploração de um cubo OLAP, como
métricas derivadas, cubos virtuais (combinações de tabelas fato) e atributos de
dimensões, a figura 17 exibe a tela do Schema Workbench, cujo foi desenvolvido em
java.
34
Figura 17: Criação do cubo no Schema Workbench
Fonte: Autor próprio (2010)
No próximo tópico será apresentada a ferramenta de estatística SPSS, que
realiza a análise dos dados estatisticamente para apoiar a tomada de decisão, além
disso, será abordada a técnica de Análise de variância (Anova) utilizada para
comparar medidas e variáveis.
2.4 SPSS (Statistical Package for the Social Sciences)
O software SPSS (Statistical Package for the Social Sciences) permite realizar
cálculos estatísticos complexos, visualizar resultados de forma rápida permitindo
assim aos seus usuários uma apresentação e uma interpretação sucinta dos
resultados obtidos através de técnicas estatísticas, conforme Martinez e Ferreira
(2007) com o SPSS é possível criar, definir e modificar variáveis, conhecer o número
de casos e calcular percentuais para cada uma das variáveis existentes, calcular
medidas simples e múltiplas, realizar cruzamentos de variáveis, gerar os mais
diversos tipos de gráficos, verificar a existência de associações e/ou correlações
entre variáveis, executar análises de variância, e muito mais, a imagem 18 exibe a
tela inicial do SPSS, cuja apresenta semelhanças com o Microsoft Excel.
35
Figura 18: SPSS ela Inicial
Fonte: Gerado pelo SPSS (2010)
O SPSS pode ser utilizado nas mais diversas áreas do conhecimento e
aplicações, tais como, marketing, psicologia, administração, educação, ciências
sociais, serviço social, economia, finanças, saúde pública, pesquisa de mercado,
pesquisa social, pesquisa eleitoral, pesquisa de opinião, pesquisa de mídia, entre
vários.
O software é proprietário da empresa IBM, sua licença é paga, a ultima
versão atual do software é a 18.0, o sistema trabalha somente na plataforma
Windows, as análises realizadas no sistema utilizarão somente menus e caixas de
diálogos como mostra a figura 18, uma das principais técnicas utilizadas no software
é a Anova (Análise de variância).
2.4.1 Análise de variância (Anova)
É uma técnica estatística cujo objetivo é decidir se existem ou não diferenças
significativas entre as médias de várias amostras de uma variável numérica,
definidas por diferentes tratamentos.
De acordo com Naresh (2004) na forma mais simples pode ter somente uma
variável dependente (sofre efeitos do tratamento), que seja métrica. Deve haver
também uma ou mais variáveis independentes (é a causa ou tratamento numa interrelação).
36
A saída final do teste de Anova é exibida através de uma tabela, onde consta
a significância encontrada para tal teste, isto significa que é a probabilidade máxima
de rejeitar acidentalmente uma hipótese nula ou verdadeira, como mostra a figura
19:
Figura 19: tabela Anova
Fonte: Gerado pelo SPSS (2010)
Conforme Aaker e George (2007) a tabela Anova é uma forma convencional
de apresentar um teste de hipótese que trate das diferenças entre diversas medias,
se a significância for acima de 0,05 isto expressa que não tem relação entre as
variáveis (resultado nulo), caso o valor for abaixo, mostra-se então que possui
relação entre as mesmas (resultado verdadeiro).
37
3. ESTUDO DE CASO
O Estudo de caso aplicou-se a solução de BI ao Grupo de Postos de
Combustíveis Pioneiro. A solução resume-se na construção de um cubo OLAP, onde
o mesmo explora uma grande massa de dados precisos e rápidos, referente às
vendas ocorridas entre os anos de 2009 e 2010 e a comparando com os feriados e
eventos socioeconômicos, A análise de vendas tem o propósito de servir como
subsidio para uma melhor tomada de decisão de gerentes e gestores.
3.1 A Empresa
O Grupo de postos de Combustíveis Pioneiro é uma empresa revendedora
dos produtos da empresa AleSat Combustíveis S.A. (Grupo ALE) a quarta maior
distribuidora de combustíveis do Brasil.
O Grupo Pioneiro é uma empresa de médio porte com um total de 13
colaboradores, atuando desde 2003 no estado do Maranhão nas cidades de Balsas
e Açailândia.
Para fins de gerenciamento como mostra a figura 20 o grupo utiliza um
sistema web desenvolvido em PHP que utiliza banco de dados MYSQL, ao todo são
33 tabelas que realizam o armazenamento dos dados diários de controle de
estoque, vendas e financeiro, o sistema não utiliza o conceito de BI (Business
Intelligence) deixando o gestor limitado à exploração de dados, dificultando os
cenários que possam vir a acontecer com o decorrer das vendas.
Figura 20: Sistema Web
Fonte: Autor Próprio (2010)
38
Diversos relatórios são gerados por dia com pouco poder de estabelecer uma
análise dinâmica e intuitiva, quando se espera uma análise de todas as vendas do
ano o fluxo de informações a serem processadas pelo sistema. Se torna-se lento e
demorado ocasionando o travamento, a arquitetura do ambiente do sistema é
representada pela figura 21.
Uma das principais características da aplicação utilizada na empresa é a
mobilidade, pode-se ser utilizada em qualquer lugar que esteja, caso tenha acesso a
internet, com isso facilita a consulta dos dados atuais.
Figura 21: Arquitetura da aplicação
Adaptação de: Linha de código (2010).
A figura 22 mostra que os relatórios atuais não disponibilizam uma consulta
multidimensional (produto, filial, tempo, vendas), somente consultas SQL’S de duas
dimensões. Não agregam em um único relatório todos os dados das empresas do
grupo.
39
Figura 22: Relatório de vendas
Fonte: Autor Próprio (2010)
Para solucionar o problema de análise da empresa, foi proposto a criação de
um ambiente de exploração OLAP para analisar os dados das vendas realizadas no
período de 2009 e 2010.
3.2 As vendas
A realização das vendas do grupo apresenta índices de variâncias com
decorrer de cada mês, sem uma análise mais detalhada, os dados somente
apresentavam condições aos gestores realizarem pequenas tomadas de decisões
sem favorecer o seu produto e até mesmo o seu cliente, neste cenário os feriados e
eventos socioeconômicos que por ventura poderiam ou não contribuir para o
aumento das mesmas, não eram mensurados e nem tão pouco acompanhados
como fatores chaves de sucesso.
Os produtos vendidos se constituem de gasolina comum, gasolina aditivada e
diesel na filial da cidade de Balsas – MA (Posto Modelo) e na matriz em Açailândia –
MA (Posto Pioneiro) gasolina comum e diesel, o cenário de vendas em cada uma
das cidades são bastante diferentes por questões sociais e econômicas. Balsas –
MA agricultura se prevalece e movimenta a região, já em Açailândia – MA o setor de
indústria e siderúrgicas fortalecem a economia local.
As vendas em ambas as cidades são divididas em dois turnos, matutino que
reflete ao horário de 05h00min da manhã até ás 13h00min da tarde, e vespertino
que inicia às 13h00min até 22h:00min, o público alvo no grupo está relacionado a
veículos automotores de pequeno porte como motocicletas, carros e caminhonetes.
40
O processo de registro de vendas no sistema se estabelece em fechamentos
de turnos, ou seja, no final de cada turno o responsável passa para a área
administrativa o valor final de litros de cada bomba, após a conferência os dados são
lançados no sistema. A cada dia se estabelece o fechamento dos turnos.
3.3 A solução
Procurando uma solução para o problema encontrado, buscou-se a
construção de um cubo OLAP, referenciando às vendas do Grupo Pioneiro, que
permitisse uma análise intuitiva dos dados armazenados no período de 2009 e 2010,
bem como análise comparativa com os fatores socioeconômicos das cidades de
Balsas-MA e Acailândia-MA.
Foi necessário realizar um processo dividindo em oito fases, desde o
detalhamento dos dados a serem explorados, bem como a descrição de cada campo
do relatório ofertado, além da identificação dos dados do negócio, extração e
transformação e carga dos dados (ETL), armazenamento e análise com os aspectos
socioeconômicos de cada cidade, fornecendo assim um cenário mais probabilístico
para uma boa tomada de decisão.
Para iniciar o projeto a primeira etapa foi realizada uma entrevista com o
gestor para definir quais as reais necessidades do grupo, neste processo foi
identificada a necessidade de explorar as vendas de ambas as empresas, pois os
relatórios atuais que o sistema da empresa apresentava, não geravam condições
satisfatórias para uma análise fácil e intuitiva de ambas filiais do Grupo ao mesmo
tempo, dificultando a tomada de decisão, a figura 23 mostra o relatório de vendas da
filial de Açailândia-MA no sistema atual.
Figura 23: Relatório de Vendas
Fonte: Autor Próprio (2010)
41
As dimensões a serem exploradas serão tempo, filial, produto, turno,
definindo-se o modelo de exploração dos dados das vendas, o tempo será dividido
em ano, mês e dia, facilitando a análise dos dados. A solução permitirá a análise dos
dados como, quantidade vendida por filial, por data, produto e turno, assim como as
suas tendências em determinados turnos e períodos de tempo.
Com a delimitação do problema, iniciou-se então a formalização das
dimensões que formarão o cubo, para confirma o modelo de negócio a ser
explorada, a figura 24 exibe a modelagem multidimensional proposta.
Figura 24: Dimensões do Cubo
Fonte: Autor Próprio
A segunda etapa se iniciou com um estudo no Data Warehouse que o grupo
possuía, para validar se a modelagem atual se adequava para as soluções
multidimensionais, a figura 25 exibe as tabelas exploradas no cenário de vendas, no
total foram identificadas 6 tabelas (gasolina_aditivada, gasolina, diesel, caixa,
valores e turno) nas 33 existentes.
Foram utilizadas as tabelas (gasolina_aditivada, gasolina, diesel, caixa,
valores e turno) devido a sua prevalência no processo de negócio do grupo, cujo
necessita das informações correspondentes as tabelas para finalizar o faturamento
das vendas ocorridas durante o dia.
42
Figura 25: Tabelas do Data Warehouse vendas
Fonte: Autor Próprio(2010)
Com as tabelas extraídas foi identificado que na forma de modelagem que o
contexto de vendas estava não era propícia para uma exploração multidimensional
do cubo OLAP, pois a modelagem de cubo OLAP necessita de uma Tabela Fato e
tabelas dimensões, com isso se se tornou necessário a criação de um Data Mart de
vendas, na qual irá armazenar os dados dos dois Data Warehouses do grupo,
centralizando as informações, facilitando assim a exploração dos dados de forma
mais simples e objetiva.
A terceira etapa do processo se iniciou com a criação de um Data Mart, foi
criado para centralizar as informações de vendas em uma única base de dados, com
base na modelagem do tipo Star Schema, foi desenvolvido neste modelo devido a
facilidade de criação de um ambiente de exploração de um cubo OLAP no mesmo, o
modelo de relacionamento no Data Warehouse do grupo foi quebrado e dando
origem a um novo modelo de relacionamento no Data Mart, como mostra a figura 25,
ele apresenta a tabela fato (vendas) juntamente com as tabelas dimensões (tempo,
turno, produto, filial).
43
Figura 26: Data Mart Vendas
Fonte: Autor Próprio(2010)
Com o Data Mart construído e as dimensões definidas, iniciou a quarta etapa,
que se define como a transformação dos dados armazenados nos Data Warehouses
para o Data Mart central, este processo de ETL é considerada uma das principais
etapas, pois os dados serão extraídos e transformados para as consultas, para
realizar este processo de forma intuitiva e automática foi desenvolvido um framework
em PHP, que constitui em uma página web capaz de extrair os dados dos Data
Warehouses para um Data Mart dinamicamente, a figura 27 mostra o framework
construído, ao todo foram mais de 10.000 registros explorados e transformados.
44
Figura 27: Framework em PHP para importação de dados
Fonte: Autor Próprio (2010)
No momento que o botão Deploy e acionado, os dados começarão a ser
processados conforme o processo de ETL citado no item 2.2.2, nesta etapa de
filtragem, dados nulos, com campos incorretos ou duplicados, foram identificados e
descartados, o filtro é executado pelo framework, cada botão referencia um tipo de
produto vendido para cada filial, após os dados são armazenados no Data Mart de
vendas.
O modelo do banco dimensional não é suficiente para o Pentaho identificar os
cubos e dimensões. É necessário criar um arquivo XML descrevendo quais são os
cubos e dimensões e suas respectivas tabelas associadas, para isto a quinta fase se
inicia, com a configuração do Data Mart no Schema Workbench, a figura 28 exibe a
configuração utilizada no trabalho.
Figura 28: Configuração para conexão com banco de dados
Fonte: Gerado pelo Schema Workbench (2010)
45
A configuração deve ter como parâmetro o driver de conexão Java, além da
URL de conexão, assim como o usuário e password da base de dados.
O Schema Workbench é um software de criação de cubos OLAP que faz
parte do pacote de suíte do Pentaho, a sua escolha foi devido a sua interface
amigável tornando o desenvolvimento mais intuitivo, a figura 29 exibe a visualização
da montagem do cubo.
Figura 29: Criação do cubo
Fonte: Gerado pelo Schema Workbench (2010)
Todas as tabelas utilizadas para a montagem do cubo são do Data Mart de
vendas criado, as dimensões a serem exploradas foram definidas como filial,
produto, tempo e turno, como medidas foram consideradas o total de litros e total em
reais, assim foi atribuído o agregador ‘sum’, para realizar a somatória dos dados
explorados conforme o cenário analisado, a figura 30 exibe mais detalhado o
esquema montado para o cubo OLAP.
46
Figura 30: Criação do cubo OLAP com as dimensões
Fonte: Gerado pelo Schema Workbench (2010)
O Schema Workbench por fim, publicará este esquema montado do cubo
através de um arquivo XML para o servidor Mondrian, que será o responsável pela
interpretação do Schema no Pentaho e interpretar as consultas Multidimensionais.
Para o Pentaho realizar o acesso ao Data Mart é necessário realizar a
configuração de acesso a base, a figura 31 ilustra a configuração da base de dados
com o Pentaho, uma das principais características é que pode-se realizar a conexão
com vários tipos de banco de dados como Firebird, Mysql, Oracle, SqlServer etc.
47
Figura 31: Configuração com o Data Mart
Fonte: Gerado pelo Pentaho (2010)
Após a publicação do arquivo XML do Schema do cubo, começa a sexta fase
que realiza a interpretação do cubo montado com os dados do Data Mart de vendas,
conforme a figura 32 .
Figura 32: New Analysis View para visualização do Cubo Olap
Fonte: Gerado pelo Pentaho (2010)
48
O Analysis View utiliza como cliente o JPivot e a engine do Mondrian. Exibe a
Interface final do usuário, o software provê os recursos necessários para o
gerenciamento de dados do Data Mart de forma fácil e dinâmica facilitando a análise
do cubo, o Mondrian é configurado através de esquemas montados no Workbench,
é o principal responsável interpretação das consultas MDX no cubo de dados, as
consultas MDX são realizadas online, sendo exibida no próprio JPivot, a figura 33
exibe um exemplo de consulta MDX no Data Mart de vendas .
Figura 33: Consulta MDX
Fonte: Gerado pelo Pentaho (2010)
Se iniciou o processo de visualização do cubo de dados (sétima fase) através
do Analysis View criado, o JPivot possibilita o carregamento das definições do cubo,
assim como a toolbar, que manipula as informações, afim de permitir segmentar a
informação por eixos de análise, permitindo a análise da informação com base em
várias perspectivas. Com isso é possível a compreensão das informações de uma
forma mais intuitiva, uma vez que a solução permite decompor os valores nas
diferentes perspectivas de análise, a figura 34 representa o cubo com os dados do
Data Mart.
Figura 34: Visualização do Cubo OLAP
Fonte: Gerado pelo Pentaho (2010)
49
O cubo foi fatiado exibindo as dimensões criadas como filial, produto, tempo e
turno assim como as mensurações de total em litros vendidos e total em reais.
Como resultado, pode-se observar quanto uma determinada venda por filial
(Balsas-MA e Açailândia-MA), representaram em relação ao total de vendas em
litros vendidos e em reais, assim como por produto (gasolina comum, gasolina
aditivada e diesel), tempo (dia, mês e ano), e turno (matutino e vespertino), a forma
de visualização dos dados se torna fácil, melhorando o entendimento do contexto de
vendas do grupo ao gestor da empresa, dessa forma podendo realizar comparações
de vendas entre as filiais distintas para uma perspectiva de análise de tomada de
decisão baseado nos dados armazenados no Data Mart Central. Este cubo tem o
principal intuito de servir como fonte de informações sobre as vendas ocorridas em
2009 e 2010, para tanto, a figura 35 apresenta o cubo que demonstra o resultado
desta operação com as informações armazenadas no Data Mart de vendas.
Figura 35: Exploração do cubo OLAP com o Pentaho
Fonte: Gerado pelo Pentaho (2010)
50
Observar-se então, que nas dimensões filial, produto, tempo e turno, quando
se apresenta o sinal de “+” podemos navegar para dentro do cubo, realizando uma
técnica de drill down, visualizando dados mais detalhados, como no caso acima
demonstrado, onde foi selecionado o tempo do produto diesel da filial de AçailândiaMA, que por sua vez, pode-se especializá-los ainda mais, mostrando os meses e
dias que houve vendas no ano. O mesmo caso ocorre na dimensão produto, onde
quando selecionado um produto disponível, pode expandir os dados, de forma que
se apresentam as filiais onde ocorreram vendas naquele produto selecionado.
Conforme mostra a figura 36 os dados e gráficos, tem-se a possibilidade de
analisar eventos ocorridos durante as vendas, verificando o impacto ocorrido na
empresa, assim como questionamentos do tipo:
Figura 36: Visualização dos dados das vendas
Fonte: Gerado pelo Pentaho (2010).
51
•
Qual filial vendeu mais durante o ano de 2009 e 2010?
•
Qual produto teve menos vendas e em qual filial?
•
Em que período, verifica-se fortemente os efeitos dos feriados e eventos
socioeconômicos e quando a empresa apresentou sinais de melhoria nas
vendas?
•
Quais filiais o grupo deve concentrar suas vendas?
Com esta solução, podem-se responder estas perguntas, e tantas outras,
agregando, assim, conhecimento sobre as vendas do Grupo de Postos de
Combustíveis Pioneiro bem como tomar melhores decisões.
3.4 Relações entre vendas com feriados e fatores socioeconômicos
Além de realizar todo o processo de montagem do cubo bem como a extração
dos dados, finalizou-se com a oitava fase que é relacionar os dados das vendas
entre o período de abril de 2009, pois foi quando se iniciou a utilização do sistema
de gerenciamento do grupo, até outubro de 2010 que foi o período final dos dados
explorados, esta relação trás dois parâmetros que são os feriados e fatores
socioeconômicos, estes foram divididos por cada cidade correspondente a filial do
Grupo, com isso pode-se responder certas perguntas que ficavam a mercê do
gestor, como por exemplo, será que no período do carnaval as minhas vendas serão
boas, devido a este evento? Para isto foram listados e classificados todos os
feriados e fatores socioeconômicos que podem ter relação com as vendas em um
determinado período por região.
Os feriados e fatores socioeconômicos nos períodos de 2009 e 2010, sempre
ocorreram nos mesmos meses, para definir melhor como avaliar este cenário, foi
realizado a classificação dos mesmos e associando determinados pesos para cada
um. Os feriados foram associados o peso no valor de 1 ponto, devido a pouca
movimentação de pessoas durante este período na cidade em relação a outros
fatores, já os socioeconômicos associou-se o peso no valor de 2 pontos, isto se da
pela relação de quantidade de pessoas que circulam na cidade durante este
período, como exemplo pode-se citar o carnaval fora de época, Agrobalsas, festejo
da cidade, entre outros, a tabela 1 abaixo mostra toda a classificação da cidade de
Balsas-MA.
52
Tabela 1: Listagem dos feriados e Fatores socioeconômicos de Balsas-MA
FERIADOS
1
Confraternização Universal (Virada de ano)
Carnaval
Paixão de Cristo
Páscoa
Tiradentes
Dia do trabalhador
Corpus Christi
Independência do Brasil
Dia das crianças
Finados
Proclamação da República
Natal
Dia dos namorados
FATORES
2
Pré-Carnaval
Aniversário de Balsas
Raly dos Sertões
Festejo da cidade de Balsas
Férias
Agrobalsas
Fonte: Autor Próprio (2010)
Foi distribuída a categorização dos feriados e fatores nos meses de janeiro a
dezembro totalizando o peso de cada mês, conforme mostra a tabela 2:
Tabela 2: Distribuição dos feriados e fatores para cidade de Balsas-MA
BALSAS-MA
Eventos
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Confraternização Universal (Virada de ano) 1
Pré-Carnaval
2
Carnaval
1
Paixão de Cristo
1
Páscoa
1
Tiradentes
1
Dia do trabalhador
1
Corpus Christi
1
Independência do Brasil
1
Dia das crianças
1
Finados
1
Proclamação da República
1
Natal
1
Aniversário de Balsas
2
Raly dos sertões
2
Festejo da cidade de Balsas
2
Férias
2
Agrobalsas
2
Dia dos namorados
1
Total
3 1
2 3 3 6 2 0 1 1
2
1
Fonte: Autor Próprio (2010)
53
Com a categorização dos feriados e fatores socioeconômicos da cidade de
Balsas-MA e com a distribuição nos períodos de janeiro a dezembro, foi
demonstrado que o período que tem o maior peso é o mês de junho que acumulou o
total de 6 pontos, desta maneira pode ser que durante este período os feriados e
fatores podem influenciar no aumento das vendas, ao contrário do mês de agosto
que totalizou a peso de 0 pontos, possivelmente neste período as vendas não irão
ter o mesmo movimento.
O mesmo processo de categorização dos feriados e fatores socioeconômicos
foi realizado para a cidade de Açailândia – MA, divido com a mesma pontuação de
Balsas-MA, conforme mostra a tabela 3:
Tabela 3: Listagem dos feriados e Fatores socioeconômicos de Açailândia-MA
FERIADOS
FATORES
1
Confraternização Universal (Virada de ano)
Paixão de Cristo
Páscoa
Tiradentes
Dia do trabalhador
Dia das Mães
Corpus Christi
Dia dos namorados
Dia dos Pais
Independência do Brasil
Dia das crianças
Finados
Proclamação da República
Natal
2
Açaifolia (Carnaval fora de época)
Aniversário de Açailândia
Expo Açai (Exposição)
Férias
Festejo da cidade de Açailândia-MA
Fonte: Autor próprio (2010)
A cidade de Açailândia – MA já apresenta fatores diferenciados da cidade de
Balsas – MA como o carnaval fora de época (Açaifolia), exposição (Expo Açai), entre
outros, estes fatores podem diferenciar o aumento de vendas devido à grande
circulação de pessoas nestes períodos na cidade, a distribuição foi realizada no
período de janeiro a dezembro conforme mostra a tabela 4, sendo que no final de
cada mês foi realizada a totalização dos mesmos.
54
O período que apresentou o maior peso em relação aos feriados e os fatores
socioeconômicos foi o mês de junho com o total de 6 pontos com isso neste período
pode ser que as vendas aumentem significadamente ao contrário dos meses de
fevereiro e março que apresentaram 0 pontos, desta forma fica mais fácil verificar as
tendências de vendas nestes períodos, podendo realizar estratégias de marketing
que venham atrair o cliente para realizar a compra dos produtos ofertados durante
os períodos de menor fluxo de vendas.
Tabela 4: Distribuição dos feriados e fatores para cidade de Açailândia-MA.
AÇAILÂNDIA – MA
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Confraternização Universal (Virada de ano)
1
Paixão de Cristo
1
Páscoa
Tiradentes
1
1
Dia do trabalhador
1
Dia das Mães
1
Corpus Christi
1
Açaifolia
2
Aniversário de Açailândia
2
Dia dos namorados
1
Expo Açai
2
Férias
2
Dia dos Pais
1
Independência do Brasil
1
Dia das crianças
1
Festejo da cidade de Açailândia
2
Finados
1
Proclamação da República
1
Natal
1
Total
1
0
0
3
2
6
4
1
1
3
2
1
Fonte: Autor Próprio (2010)
Após realizar todo este processo de classificação, distribuição e totalização
dos pontos para cada cidade das filiais, foi utilizado o software SPSS juntamente
com a técnica estatística de Anova (Análise de variância) para verificar se existem
relações entre as vendas nos períodos de 2009 e 2010 com os feriados e fatores
socioeconômicos no âmbito geral, o processo foi realizado com a exportação dos
dados do cubo OLAP destes períodos de cada uma das filiais como mostra a tabela
5 que fornece os dados da filial de Balsas-MA, a coluna período demonstra o
55
período das vendas já a coluna total de vendas em litros exibe o total de litros
vendidos de todos os produtos e a coluna peso dos feriados e fatores que fornece o
peso de cada mês com relação aos fatores e feriados.
Tabela 5: Listagem dos períodos com total de vendas e pesos de feriados e fatores da filial de
Balsas-MA.
POSTO MODELO - BALSAS-MA
Período
Abr-09
Mai-09
Jun-09
Jul-09
Ago-09
Set-09
Out-09
Nov-09
Dez-09
Jan-10
Fev-10
Mar-10
Abr-10
Mai-10
Jun-10
Jul-10
Ago-10
Set-10
Out-10
Total de vendas em Litros
163155
181804
192744
219248
201737
217449
214604
195305
214068
186791
200465
215813
254433
228356
225848
231388
252469
244896
254514
Peso dos feriados e fatores
3
3
6
2
0
1
1
2
1
3
1
2
3
3
6
2
0
1
1
Fonte: Autor Próprio (2010)
O mesmo processo foi realizado para a filial de Açailândia – MA, como exibe
a tabela 6:
Tabela 6: Listagem dos períodos com total de vendas e pesos de feriados e fatores da filial de
Açailândia-MA.
Período
Abr-10
Mai-10
Jun-10
Jul-10
Ago-10
Set-10
Out-10
Nov-10
Dez-10
Jan-11
MINI POSTO PIONEIRO – AÇAILÂNDIA – MA
Total de vendas em Litros
Peso dos feriados e fatores
120617
3
122744
2
123754
6
132161
4
139321
1
129592
1
134095
3
117081
2
122585
1
112110
1
56
Fev-11
Mar-11
Abr-11
Mai-11
Jun-11
Jul-11
Ago-11
Set-11
Out-11
108966
127582
119593
117365
121280
133279
151423
163573
136937
0
0
3
2
6
4
1
1
3
Fonte: Autor Próprio (2010)
Com os dados organizados iniciou-se o processo de teste da técnica de
Anova (Análise de variância) no software SPSS, após a importação dos dados, o
teste foi realizado para ambas filiais, tendo como resultado final a tabela de Anova
conforme mostra a figura 37 para a filial de Açailândia – MA (Mine Posto Pioneiro) e
a figura 38 para a filial de Balsas – MA (Posto Modelo).
Figura 37: Teste de Anova para Açailândia-MA.
Fonte: Saída do SPSS (2010).
Pelo fato da significância (Sig.) ser acima de 0,05 (0,399) conforme a
ilustração na figura, verifica-se que não existe relação entre feriados de forma geral
(variável dependente) e venda de combustíveis (variável independente) na cidade de
Açailândia - MA.
Figura 38: Teste de Anova para Balsas-MA.
Fonte: saída do SPSS (2010).
57
Pelo fato da significância (Sig.) ser acima de 0,05 (0,703), conforme ilustra na
figura 38 verifica-se que não existe relação entre feriados de forma geral (variável
dependente) e venda de combustíveis (variável independente) na cidade de Balsas MA. Cabe ressaltar que os resultados encontrados para a filial de Balsas,
apresentam uma distinção ainda maior entre as variáveis.
4. CONCLUSÃO
O presente trabalho ajudou a realizar um novo cenário de tomada de decisões
(BI) no Grupo de Postos de Combustíveis Pioneiro, devido à aplicação da
ferramenta OLAP bem como a exploração dos dados que por ventura estavam
ocultos na visão do gestor e que o sistema atual não proporcionava. Com a
montagem do cubo OLAP a facilidade de manipulação dos dados ficou de forma
intuitiva e fácil, a análise das vendas nos períodos de 2009 e 2010 condicionou uma
comparação
com
os
feriados
e
fatores
socioeconômicos
gerando
o
acompanhamento do comportamento da empresa durante estes períodos.
A aplicação da ferramenta de BI PENTAHO juntamente com a técnica de
estatística Anova agregou de tal forma mais auxílio à tomada de decisão e mostrou
estatisticamente que os feriados e fatores socioeconômicos em geral não
influenciam nas vendas durante o período analisado, além disso o trabalho foi de
grande importância para o gestor do Grupo de Postos de Combustíveis Pioneiro,
devido a forma de visualização dinâmica que o cubo OLAP proporcionou aos dados
da sua empresa.
Levando em consideração a fundamentação teórica deste trabalho e a
solução desenvolvida, podem-se indicar as seguintes propostas para trabalhos
futuros:
•
Criação de um Data Mart para analisar o perfil de cada cliente;
•
Criar um Data Mart de feriados e fatores socioeconômicos para
posteriormente aplicar a técnica de Data Mining;
•
Criar um modelo de simulação para o cubo montado.
Com o desenvolvimento das tecnologias citadas acima formará um projeto de
BI completo e moderno, fortalecendo a probabilidade de aumentar os resultados
significativos para o Grupo de Postos de Combustíveis Pioneiro.
58
5. REFERÊNCIAS BIBLIOGRÁFICAS
ALVES, William Pereira. Banco de dados: teoria e desenvolvimento. 1ª edição.
São Paulo: Érica, 2009.
AAKER, David A; KUMMAR, V; DAY, George S; Tradutor Reynaldo Cavalheiro
Marcondes. Pesquisa de Marketing. 2 ed. 3 reimpressão. São Paulo: Atlas, 2007.
ARAÚJO, E. M. T. ; BATISTA, M. L. S. ; MAGALHAES, T. M. . OLAP:
Características,
Arquitetura
e
Ferramentas.
Jornal
Eletrônico
Cursos
Tecnológicos do Instituo Vianna Júnior,Jornal Eletrônico Cursos Tecno, 26 out.
2007.
BARBIERI, Carlos. Bi-Business Intelligence modelagem & tecnologia, Rio de
Janeiro: Axcel Books, 2001.
BENEDITO, Miguel Furtado Junior, XML (Extensible Markup Language),
Universidade Federal do Rio de Janeiro, curso de Redes de computadores.
Disponível
em
<http://www.gta.ufrj.br/grad/00_1/miguel/>
acesso
em:
15
de
novembro de 2010.
BISPO, Alberto Ferreira, Uma análise da nova geração de sistemas de apoio a
decisão, Universidade de São Carlos, dissertação de mestrado em Engenharia da
Produção. 1998.
COLAÇO JUNIOR, Methanias. Projetando sistemas de apoio à decisão
baseados em data Warehouse. Rio de janeiro: Axcel Books, 2004
DEVMEDIA. Disponível em:.< http://www.devmedia.com.br/articles/post-5730Introducao-ao-Analysis-Services-2005-Parte-2.html>.
novembro de 2010.
Acesso
em:
12
de
59
FELBER Edmilson J, W. Proposta de uma ferramenta olap em um data mart
comercial: uma aplicação prática na industria calçadista, Trabalho de conclusão
do curso de Ciências da Computação, Centro Universitário Feevale. Novo
Hamburgo, novembro de 2005.
FERRARI, Fabrício Augusto. Crie banco de dados em MySQL. São Paulo: Digerati
Books, 2007.
FIGUEIREDO, Marcos Leandro; SOARES, Hélio Rubens. Comparação entre a
modelagem orientada a objeto e a modelagem estruturada relacional,
Uberlândia, ano 2005, Centro Universitário do Triângulo – UNITRI, Curso de
especialização em banco de dados.
FONSECA, Marcelo Porto Alegre. Classificação Bayesiana de grandes massas de
dados em ambientes ROLAP. Tese apresentada como requisito necessário para
obtenção do grau de doutor em Ciências em engenharia civil. COPPE/URFJ.Rio de
Janeiro, julho de 2007.
IMHOFF, Claudia; GALEMMO, Nicholas; GEIGER, J.G. Mastering data Warehouse
Design: Relational and Dimensional techniques. Indianapolis: Wiley Publishing,
INC., 2003.
INMON, W.H. – Como Construir o Data Warehouse. Rio de Janeiro: Campus
1997.
KAY,
Russell.
Data
Cubes.
Computerworld
Inc.,
2005.
Disponível
em:
<http://www.computerworld.com/datasetopics/data/story/0,10801,91640,00.htm
>. Acesso em 14 de novembro de 2010.
LINHA DE CODIGO, Disponível em:.< http://www.linhadecodigo.com.br/artigo/
2002/Web-%E2%80%93-Uma-introdu%C3%A7%C3%A3o-ao-Desenvolvimentopar
a-a-Internet-com-Java-%E2%80%93-Parte-01-%E2%80%93-Preparando-o-
Ambient e-para-o-Desenvolvimento aspx>. Acesso em: 13 de novembro de 2010.
60
MACHADO, Felipe Nery Rodrigues. Protótipo de Data Warehouse: Uma visão
Multidimensional. São Paulo: Érica, 2000.
MACHADO, Felipe Nery Rodrigues. Tecnologia e Projeto de Data Warehouse.São
Paulo, 2004.
MIRANDA, Alvira. Disponível em:.< http://www.alvimiranda.com/2010/04/pentahoo-que-e.html>. Acesso em: 12 de novembro de 2010.
MARTINS, Daniela Siqueira, Proposta de desenvolvimento de um datamart na
área de gestão de pessoas e aplicação de uma ferramenta olap, Trabalho de
conclusão do curso de Ciências da Computação, Centro Universitário Feevale, Novo
Hamburgo, novembro 2007.
MARTINEZ, Luís F; FERREIRA, Aristides I. Análise de dados com SPSS –
Primeiros passos.Lisboa: Escolar Editora, 2007.
MAGANHA, Fernando. Implementação de um data warehouse na secretaria de
trânsito de Guaíba para análise multidimensional de informações.
Guaíba:
ULBRA - Sistemas de Informação, 2006.
NARESH, Malhotra. Pesquisa de marketing: uma orientaçao aplicada. 4ª ed.
Porto Alegre: Pearson Education, 2004.
NETO, Cl_audio Manoel da Silva e Sousa, Lilian Lucélia da Silva, Marcus Andre dos
Santos Semblano, Peterson Sampaio - Apresentação sobre a Ferramenta Pentaho.
Tutorial Mondrian e JPivot, Universidade federal de Minas Gerais – UFMG- Ciências
da Computação- apresentado em 14 de maio de 2008.
ORACLE. Disponível em:.< http://download.oracle.com/docs/ html/B13915_04/
i_ol ap_chapter.htm#sthref85>. Acesso em: 13 de novembro de 2010.
PENTAHO.
Disponível
novembro de 2010.
em:.
<http://www.pentaho.org>.Acesso
em:
01
de
61
RAMAKRISHNAN, Raghu. Sistemas de banco de dados. Tradutores: Acauan
Pereira Fernandes, Celia Taniwaki, João Tortello, 3ª edição, São Paulo: McGrawHill, 2008.
ROSA, Kátia Liane, Análise de ferramentas Olap Open Source e freeware com
acesso à banco de dados multidimensionais e relacionais, Centro Universitário
Feevale, Trabalho de conclusão do curso de Ciências da computação, Novo Hamburgo,
2004.
RODRIGUEZ, Martíus V; FERRANTE, Agustin J. Tecnologia de informação e
Gestão Empresarial. Tradução: Washigton Luiz Salles e Louise Anne N. Bonitz. Rio
de Janeiro: E-Papers, 2000.
THOMSEN, E. Construindo Sistemas de Informações Multidimensionais. 2ª ed.
São Paulo: Campus, 2002.
TENORIO.
Disponível
em:.
<www.cin.ufpe.br/~if696/seminarios/MDX.ppt>.
Acesso em 10 de novembro de 2010.
WITHEE, Ken. Microsoft Business Intelligence for Dummies. Hoboken: Wiley
Publishing, Inc. ,2010.