Principais técnicas do Data Mining

1. Arvore de decisões

A analise dos dados baseado em árvore de decisão trabalha com testes automáticos em todos os valores a fim de identificar um meio eficiente de construir classificadores que interpretem ou identifique grupos ou informações úteis baseadas nos valores de atributos de um conjunto de dados.

A utilização de árvore de decisão tem como princípio categorizar os dados ou mesmo na utilização de regras de fácil entendimento explicadas e traduzidas para linguagem natural.

Na verdade a essência do processo é uma série de declarações if-elses, que quando aplicados a um registro de uma base de dados , resultam na classificação daquele registro. Uma das características da árvore de decisão não é a sua construção a partir de classificação de um conjunto de dados, e sim a sua habilidade de aprendizado e treinamento. Segundo (CHAPELLE et al., 2006) O aprendizado indutivo de árvores de decisão é geralmente dividido em aprendizado supervisionado e não supervisionado.

Quando o aprendizado ou treinamento é finalizado, é possível alimentar sua árvore de decisão construída a partir de exemplos com novos casos a fim de classifica-los.

Exemplo:

2. Redes Neurais

As Redes Neurais Artificiais utilizam um conjunto de elementos de processamento (ou nós) análogos aos neurônios no cérebro. Estes elementos de processamento são interconectados em uma rede que pode identificar padrões nos dados uma vez expostos aos mesmos, ou seja, a rede aprende através da experiência, tais como as pessoas (DIN, 1998).

As Redes Neurais tentam identificar modelos ou padrões nos dados, sua abordagem computacional esta diretamente envolvida com estruturas matemáticas com habilidade de absorver o conhecimento.

Uma Rede Neural artificial consiste em diversos elementos interconectados chamados neurônios ou nós que possuem entrada , saída e processamento de dados e são organizados em camadas que aprendem através da modificação das conexões.

Exemplo:

3 Análise de Agrupamento

Nessa técnica os dados são agrupados em clusters conforme identificado uma classificação ou grupo que são construídos com base na semelhança nos dados percebendo características de cada grupo. Dessa forma objetos dentro do mesmo grupo são os mais semelhantes possíveis, enquanto objetos de outros grupos são os mais deferentes possíveis.

Por exemplo, para analise de crédito supondo que os objetos dessa cadeia de relacionamento sejam os clientes, e que tenham vários atributos como, idade, salário e sexo analisando esses dados com data mining utilizando a técnica de agrupamento, podemos encontrar grupos de clientes com determinada faixa de idade enquadrado em uma baixa faixa salarial e outros grupos de cliente com alta faixa salarial com idade inferiores, podendo assim traçar perfis de concessão de crédito

Essa diferenciação dos clientes em grupos pode ser bastante útil, já que clientes de grupos diferentes, presumidamente, tendem a ter comportamentos bem diferentes (FREITAS, 2000).

4 Indução de Regras

Nessa técnica busca-se detectar padrões ou tendências dentro de um grupo de informação ou de regras que obedeçam a um critério previamente estabelecido por um consultor financeiro de risco de crédito.

Por exemplo, no caso de risco de crédito poderíamos ter o atributo tipo do cliente, sexo, idade e limite de crédito. Analisando essa variáveis o sistema de mineração de dados poderia identificar uma regra de previsão onde:

SE idade > 18 e Sexo = ‘M’ e Tipo = ‘A’

Limite de crédito de 20000 para compra de automóvel

5 Analise Estatística de séries temporais

A estatística é uma das técnicas mais usadas e mais antigas da mineração de dados esta diretamente ligada a todas as outras técnicas.

É definida como uma técnica baseada em modelos matemáticos para conhecimento dos dados, tendo fortemente o envolvimento do usuário.

[]s

Etapas da mineração de Dados

1. Entender o problema – fase inicial do projeto, tem como objetivo principal identificar as metas através da analise da problemática
2. Entender e identificar os dados – Nesta fase temos a extração de dados e análise
3. Preparação ou transformação dos dados – Criação de processos de extração, limpeza e transformação dos dados para utilização dos algoritmos de mineração de dados
4. Modelagem do problema – seleção dos algoritmos a serem utilizadas para o processamento das informações. Alguns algoritmos necessitam de um formato especializado do dados o que pode ocorrer o retorna para fase anteriores para que o processo de extração ou transformação sejam adaptados.
5. Avaliação do Modelo – Avaliar os modelos gerados com a visão do problema validando as regras ou possíveis falhas.
6. Publicação do Modelo – Tornar a informação acessível para tomada de decisão através de uma ferramenta específica ou até mesmo um relatório.

[]s

Data Mining - Processo de descoberto do conhecimento - KDD

 

O número de dados armazenadas nas empresas vem aumentando a cada dia o que supera as habilidades humanas em analisa-los e interpreta-los, sendo necessário à utilização de ferramentas e técnicas para automatizar e analisar a massa de dados de forma rápida e inteligente (FAYYAD, 1996).

Essas técnicas e ferramentas que buscam transformar esses dados armazenados em conhecimento, são o objetivo do Knowledge Discovery in Databases - KDD (descoberta de conhecimento em bases de dados).

Segundo FAYYAD (1996), KDD foi criado em 1989 com o intuito de encontrar conhecimento em dados e dar ênfase a uma grande aplicação em particular o método de mineração de dados.

Em resumo segundo (FAYYAD, 1996) o processo de encontrar e interpretar modelos extraídos de uma massa de dados é chamado de KDD envolvendo repetidas aplicações específicas de métodos ou algoritmos Data Mining e a interpretação dos padrões gerados.

O processo de descoberta, ou seja, KDD envolve áreas como estatística, matemática, banco de dados, inteligência artificial, visualização de dados e reconhecimento de padrões todos com um único objetivo de extrair conhecimento a partir de grandes bases de dados.

O processo de KDD é divido em cinco etapas (MANNILA, 1996).:

• Seleção dos dados - selecionar e coletar o conjunto de dados

• Pré-processamento e limpeza dos dados – resolver inconsistências dos dados

• Transformação dos dados – integrar e organizar dados coletados de diferentes fontes

• Data Mining – Mineração dos dados extraídos

• Interpretação e Avaliação dos resultados – Processo de descoberta do conhecimento devendo possibilitar o retorno para qualquer uma das fases anteriores caso os resultados não estejam plenamente consistentes.

Principais áreas de conhecimento do KDD:

• Aprendizado de Máquina – utilização de estratégias de aprendizado de máquina e modelos cognitivos para aquisição automática de conhecimento

• Bases de Dados – Utilização de técnicas e pesquisas com o objeto de melhorar e aprimorar a exploração das características dos dados.

• Estatística e Matemática – Utilização de modelos matemáticos ou estatísticos para criação e identificação de padrões e regras entre os dados.

• Sistemas Especialistas – são programas de computadores de inteligência artificial, ou seja, soluções criadas em linguagem de máquina para resolver problemas do mundo real.

• Visualização de Dados – Descoberta da informação, ou seja, análise do resultado final que pode ser demonstrado em forma de gráficos, figuras e ícones.

Desta forma a mineração de dados utilizando KDD é a combinação de diferentes técnicas.

[]s

Introdução a Data mining

Um diferencial competitivo é quando a empresa torna-se capaz de criar modelos de mineração de dados, ou seja, baseado em um histórico de dados encontra tendências ou padrões de comportamento de forma inteligente.

Empresas armazenam em seus bancos de dados diversas informações e acontecimentos em todos os departamentos, uma empresa financeira, por exemplo, armazenam informações de orçamento, contábil, financeiro, jurídico, clientes entre outros. A função do BI é juntar toda essa informação e consolidar em uma única base de dados para em seguida aplicar a mineração de dados.

Segundo (Fayyad et al. 1996) Data Mining é o processo não trivial de identificar, em dados, padrões válidos, novos, potencialmente úteis e ultimamente compreensíveis.

Conforme Groth (1998) e Han, Chen & Yu (1996) os passos necessários à Data Mining são representados na figura a seguir:

Existem diferentes tipos de métodos para mineração de dados, são elas: Classificação, Modelos de Relacionamento entre Variáveis, Análise de Agrupamento, Sumarização, Modelo de Dependência, Regras de Associação e Análise de Séries Temporais, conforme citação e definição feita por Fayyad et al. (1996a).

A maioria dos métodos são baseados em técnicas de reconhecimento de padrões e estatística, neurais, lógica e algoritmos genéticos.

De acordo com FAYYAD et al. (1996) os métodos tradicionais de Data Mining são:

• Classificação: associa ou classifica um item a uma ou várias classes categóricas pré-definidas.

• Modelos de Relacionamento entre Variáveis: associa um item a uma ou mais variáveis de predição de valores reais, consideradas variáveis independentes ou exploratórias.

• Análise de Agrupamento (Cluster): associa um item a uma ou várias classes categóricas (ou clusters), determinando as classes pelos dados, independentemente da classificação pré-definida.

• Sumarização: determina uma descrição compacta para um dado subconjunto. As medidas de posição e variabilidade são exemplos simples de sumarização.

• Modelo de Dependência: descreve dependências significativas entre variáveis. Modelos de dependência existem em dois níveis: estruturado e quantitativo.

• Regras de Associação: determinam relações entre campos de um banco de dados.

• Análise de Séries Temporais: determina características sequenciais, como dados com dependência no tempo.

[]s

Introdução a BI

Atualmente, diferentes tipos de empresas, ou seja, empresas de pequeno, médio e grande porte necessitam do BI para auxiliá-las nas mais diferentes situações para a tomada de decisão, otimização dos processos, redução de custo, previsões e planos estratégicos.

O termo Business intelligence não é recente, surgiu na década de 80 no Gartner Group e surgiu da necessidade de cruzar informações para a realização de uma gestão empresarial eficaz. Segundo Howard Dresner, vice-presidente da empresa Gartner e detentor da paternidade do termo, o interesse pelo BI vem crescendo na medida em que seu emprego possibilita às organizações realizar uma série de análises e projeções, de forma a agilizar os processos relacionados às tomadas de decisão.

Para que um projeto de BI seja bem sucedido, deve-se levar em consideração alguns fatores importantes, ou seja, deve ser respeitadas algumas fases a fim de garantir a qualidade final do projeto.

• Planejamento: Obter conhecimentos dos processos da empresa que irá implantar uma solução BI para entender quais os objetivos do planejamento estratégico do negócio. Em toda a fase do planejamento a participação da área de negócios é essencial.

• Escolha da ferramenta: Deve-se levar em consideração o custo com a aquisição de ferramentas, pois o pacote de ferramentas não deve comprometer o orçamento do projeto.

• Extração da informação: Garantir a qualidade da informação através de um processo Extract Transfomation and Load (ETL) que seja eficiente e eficaz.

• Enriquecimento e tratamento das informações: Garantir que após a extração da informação um processo ETL seja responsável por realizar todo o tratamento, validação e consistência dos dados.

• Carga do Data Warehouse (DW): Após a extração e tratamento da informação inclusão da massa de dados em um ambiente dimensional

• Apresentação da informação: Criação de relatórios analíticos que venham atender a necessidade inicial da construção do BI

• Treinamento dos Usuários: São as peças chaves para o sucesso do BI. Eles devem conhecer e saber como obter a informação de maneira que sejam motivados a utilizar.

[]s

Introdução ao Business Intelligence:Arquitetura de Data WareHouse (DW) e Modelagem Dimensional

 

Modelagem e Utilização de OLAP - On-line Analytical Processing

OLAP

É um conceito de interface com o usuário que proporciona a capacidade de ter idéias sobre os dados, permitindo analisá-los profundamente em diversos ângulos. As funções básicas do OLAP são:

• Visualização multidimensional dos dados;

• Exploração;

• Rotação;

• Vários modos de visualização.

ROLAP (OLAP Relacional):

Os dados são armazenados de forma relacional.

MOLAP (OLAP Multidimensional)

Os dados são armazenados de forma multidimensional.

HOLAP (OLAP Híbrido)

Uma combinação dos métodos ROLAP e MOLAP.

DOLAP (OLAP Desktop)

O conjunto de dados multidimensionais deve ser criado no servidor e transferido para o desktop. Permite portabilidade aos usuários OLAP que não possuem acesso direto ao servidor.

Exploração Navegação com OLAP

Drill Down - Aumento do nível de detalhe da informação e conseqüente diminuição do nível de granularidade.

Drill Up - Diminuição no nível de detalhe e conseqüente aumento do nível de granularidade.

Dice - Mudança de perspectiva da visão multidimensional, como se o cubo fosse girado. Permite descobrir comportamentos e tendências entre os valores das medidas analisadas em diversas perspectivas.

Slice - Corta o cubo, mas mantém a mesma perspectiva de visualização dos dados. Funciona como um filtro que restringe uma dimensão à apenas um ou alguns de seus valores.

Drill Across - O nível de análise dentro de uma mesma dimensão é alterado, ou seja, o usuário avança um nível intermediário dentro de uma mesma dimensão.

Drill Around - Ocorre quando a tabela de fatos que compartilha dimensões em comum não é organizada em uma ordem linear, assim é preciso fazer um drilling em volta do valor.

Drill Through - Ocorre quando o usuário passa de uma informação contida em uma dimensão para uma outra.

Drill Out - É o detalhamento para informações externas como fotos, som, arquivos texto, tabelas.

Drill Within - É o detalhamento através dos atributos de uma dimensão.

Sort - Tem a função de ordenar a informação, podendo ser aplicada a qualquer tipo de informação, não somente a valores numéricos.

Ranking - Permite agrupar resultados por ordem de tamanho, baseado em valores numéricos, refletindo somente na apresentação do resultado e não no resultado em si.

Pivoting - Alternar linhas e colunas, sendo que todos os valores totalizados serão recalculados.

Paging - Apresentação dos resultados de uma consulta em várias páginas, permitindo a navegação do usuário.

Filtering - Apresentação de consultas com restrições sobre atributos ou fatos.

Tiling - Visualização múltipla em uma única tela.

Alerts - Utilizados para indicar situações de destaque em elementos dos relatórios, baseados em condições envolvendo objetos e variáveis.

Break - Permite separar o resultado de uma análise em grupos de informações, permitindo também a subtotalização de valores para cada grupo.

 

[]s

Introdução ao Business Intelligence:Arquitetura de Data WareHouse (DW) e Modelagem Dimensional

Construindo um Data WareHouse: Modelagem Dimensional

Tabela Fatos

Em resumo, são armazenados medidas, métricas, acontecimentos ou valores

Tabela Fatos – 3 tipos de medidas

· aditivas: são numéricas e são somadas com relação às dimensões existentes, por exemplo: quantidade, valor total dos itens.

· semi-aditivas: são numéricas, mas não podem ser somadas com relação a todas as dimensões, por exemplo: o estoque é totalizado ao longo da produto, porém ao longo das dimensões loja e data não existe o menor sentido está totalização.

· não-aditivas: dados não numéricos, por exemplo: carro1, carro2, carro3.

Tabela Fatos – Tipos de tabelas

Transaction Fact Table

Tipo de tabela de fatos em que a granularidade é uma linha para o menor nível de detalhe capturado por uma transação. Um registro numa TFT está presente somente se um evento de transação ocorre

Periodic Snapshot Fact Table

Um tipo de tabela de fatos que representa desempenho de negócio ao fim de cada período de tempo regular previsível. Snapshots diários e mensais são comuns.

Accumulating Snapshot Fact Table

Tipo de tabela de fato com datas múltiplas representando os principais pontos de controle de um processo ou pipeline relativamente de curta duração. Um

registro é inserido numa tabela de fatos instantâneos acumulados apenas uma vez,

quando o item que representa é inicialmente criado.

Tipos de Modelos Dimensionais

- O Modelo Estrela (Star Schema)

No modelo estrela todas as tabelas relacionam-se diretamente com a tabela de fatos, sendo assim as tabelas dimensionais devem conter todas as descrições que são necessária para definir uma classe, exemplo:

Este modelo é chamado de estrela porque a tabela de fatos fica ao centro cercada das tabelas dimensionais com o formato parecido de uma estrela. Mas o ponto forte a fixar é que as dimensões não são normalizadas.

- O Modelo Floco de Neve (Snow Flake)

No modelo Floco as tabelas dimensionais relacionam-se com a tabela de fatos, mas algumas dimensões relacionam-se apenas entre elas visando diminuir o espaço ocupado por estas tabelas. Exemplo:

Granularidade

Nível de detalhe da informação

Surrogate Key:

Número inteiro seqüencial. No caso das Datas, pode ser usado ou não. Em datas pode-se usar, por exemplo, o tipo date ou um numérico representando a data como YYYYMMDD, por exemplo. Utilizado para unir as dimensões às tabelas de Fatos.

Business Key

Pode ter vários atributos (chave composta) identifica o registro do sistema de origem e não se relaciona com a fato

Tabela Dimensão

descrições, características, localidade, detalhamento.

Tabela Dimensão – tipos de tabelas

• Simples – Apenas descritiva
• Hierárquica – Os atributos podem compor uma hierarquia

Slow-change dimension

Dificilmente sofre alterações no decorrer do tempo, exemplo estado civil

Junk Dimension

Uma dimensão abstrata com a decodificação de um grupo de flags e indicadores de baixa cardinalidade, portanto removendo os flags da tabela de fatos.

Degenerated Dimension

Uma chave de dimensão, como o número de uma transação, número de fatura, de tíquete, que não tenha nenhum atributo, portanto não se junta com uma tabela de dimensão.

Bridge Table

Uma tabela com uma chave multiparte capturando um relacionamento muitos-para muitos. Serve como uma ponte entre a tabela de fatos e a tabela de dimensão

de forma a permitir dimensões multivaloradas ou hierarquias

Centipede Fact Table

Uma tabela de fatos com muitas dimensões (mais do que 20) levando a uma esquema que lembra uma centopéia. Centopéias tipicamente resultam

quando projetistas tentam representar relacionamentos hierárquicos com uma

proliferação de dimensões separadas ao invés de aninhá-las numa única dimensão.

Quatro passos para criar um modelo dimensional

1. Selecionar o processo de negócio que será modelado
2. Definir grau de granularidade
3. Definir as dimensões para cada linha do fato
4. Identificar os fatos numéricos para cada linha do fato

[]s

Introdução ao Business Intelligence (BI) e Modelagem Dimensional

1. Hierarquia dos sistemas de Informação

2. Sistemas operacionais

Sistemas operacionais possuem estabilidade de dados volátil com atualizações constantes em tempo real sempre procurando mostrar a informação atual, onde o armazenamento desses dados são de acordo com o tempo previsto para o negócio. Exemplos, notas fiscais devem ser armazenadas durante cinco anos.

Sistemas operacionais devem estar preparados para estarem disponíveis em torno de 20 horas por dia 6 dias da semana sendo em alguns casos necessário disponibilidade de 24X7.

No que diz respeito à estrutura de banco de dados dos sistemas operacionais esta focado na agilidade e no processamento dos dados. Estão preparados para aceitar inclusão, alteração e exclusão de dados disponibilizando relatórios pré definidos com informações integras.

3. Sistemas Analíticos

Sistemas analíticos possuem estabilidade de dados estáveis com atualizações periódicas, ou seja, as atualizações são realizadas em um período pré definido de acordo com as necessidades do negócio não tendo alterações de dados somente inclusões. Dessa maneira, os fatos são apresentados quando ocorrem como se fosse uma foto do momento em que ocorreu.

O tempo de armazenamento dos dados dos sistemas analíticos são geralmente longos, para possibilitar uma análise de tendência, em média são armazenadas entre 5 a 10 anos tendo disponibilidade de serviço menor do que os sistemas operacionais, normalmente estão disponíveis em certos períodos do dia ou da semana (de acordo com o negócio).

Com relação à estrutura de banco de dados para sistemas analíticos, são projetados para gerar relatórios iterativos de natureza ad-hoc tendo como característica grande volume de dados redundantes (por não ser normalizado) com foco na qualidade das informações.

4. Sistemas Transacionais

Sistemas transacionais, também conhecidos como OLTP – Online Transactional Processing - são sistemas que se baseiam em transações. Alguns exemplos deste tipo de sistemas são:

· Sistemas Contábeis;

· Aplicações de Cadastro;

· Sistemas de Compra, Estoque, Inventário;

· ERPs, CRMs.

O processo inicial de informatização de qualquer empresa é baseado no desenvolvimento e na implantação de Sistemas transacionais (também chamados de operacionais). Estes sistemas atendem em geral à área administrativo\financeira, sistemas como folha de pagamento, contabilidade, controle de estoques, contas a pagar e a receber, faturamento, etc., são exemplos de Sistemas transacionais.

As principais funções e características dos sistemas transacionais são:

o Coletar os dados operacionais existentes nos documentos operacionais das organizações

o Ordenar os dados de modo a facilitar o acesso a eles;

o Permitir consultas que permitam retratar diferentes aspectos das operações;

o Gerar relatórios operacionais

o Fornecer informações para tomada de decisões

o A maioria das fontes de dados é interna e a saída é destinada principalmente a um público interno

o Os dados recebidos e produzidos são organizados e formatados de modo padrão.

o Modelo de bando de dados relacional normalizado

Em resumo, os sistemas transacionais se caracterizam pela alta taxa de atualização, grandes volumes de dados e acessos pontuais, ou seja, pesquisas cujo resultado seja de pequeno volume (até milhares de linhas, mas preferencialmente menos).

5. Definição de BI

O Conceito de A Inteligência Empresarial, ou Business Intelligence (BI), surgiu na década de 80 e tem com conceito as habilidades das organizações para acessar dados e explorar as informações normalmente contidas em um Data Warehouse/Data Mart.

Tem como objetivo auxiliar pessoas por meio do tratamento da base de dados existentes e o aprimoramento das informações para tomada de decisão, ou seja, em meio de uma enorme quantidade de informações que são “despejadas” nos sistemas diariamente, necessitamos de critérios para selecionarmos e organizarmos os dados que são mais interessantes para o nível gerencial, onde gerentes e diretores devem ter informações rápidas e relevantes.

6. Modelo de dados Dimensional

O modelo dimensional é utilizado na maioria das vezes em banco de dados para Data Warehouse que diferem do modelo de dados relacional. É uma forma de modelagem onde as informações podem ser representadas como um cubo, sendo possível fatiar este cubo e consultar cada dimensão para extrair detalhes mais aprofundados.

A modelagem é dividida em dimensões, que servem de perspectivas de análise em qualquer assunto da organização, ou seja, forma pela quais analistas de negócios, gerentes e executivos analisam as informações

Esse tipo de modelagem tem dois modelos MODELO ESTRELA (STAR SCHEMA) e MODELO FLOCO DE NEVE (SNOW FLAKE).

· Modelo Estrela: Mais simples de entender, nesse modelo todas as dimensões relacionam-se diretamente com a fato.

· Modelo Floco de Neve: Visa normalizar o banco com dimensões auxiliares.

7. Motivos que levam empresas ao desenvolvimento de BI

São vários os motivos que levam as empresas ao desenvolvimento de BI, uma delas é a dificuldade na geração de relatórios e necessidade de informações diferenciadas

8. Conceito de Data Warehouse

Pode ser traduzido como “depósito de dados”. Sua função principal é o armazenamento de informações de um banco de dados referente a uma ou mais atividades de uma empresa de forma consolidada, voltada à tomada de decisões. É como um agrupamento inteligente de dados de uma mesma fonte.

O Data Warehouse possibilita que os relatórios sejam exibidos dinamicamente de acordo com a necessidade, focando pontos estratégicos. Seu objetivo é trabalhar com uma grande quantidade de informação e principalmente dados históricos.

O que torna o Data Warehouse poderoso é que as informações que estão armazenadas em vários sistemas, planilhas e arquivos espalhados por todos os setores da empresa, são reunidos em um banco de dados dimensional.

Como desvantagem no Data Warehouse, temos seu custo, projetos muito longos, dificuldades para validação e dificuldade de escopo.

9. Arquitetura Top Down

Usada quando a empresa cria um DW e depois parte para a segmentação, dividindo o DW em áreas menores gerando assim pequenos bancos orientados por assuntos aos departamentos.

10. Arquitetura Bottom-Up

É a situação inversa da top-down. A empresa prefere primeiro criar um DM para uma única área. A partir da visualização dos primeiros resultados parte para outra área e assim sucessivamente até resultar em um DW.

11. Arquitetura Barramento

Criação de banco de dados consistente para obter consistência, ou seja, estabelecer método incremental. Com barramento pode-se implementar data marts separados por diferentes grupos, basta desenvolver conjunto mestre de fatos e dimensões padronizados. A Implementação de data marts será à medida que forem construídos e serão “encaixados” no DW, fazendo com que equipes independentes possam trabalhar de forma paralela devido à padronização da arquitetura.

12. Os quatro componentes de DW/DM segundo Kimball

· Sistema operacionais de origem – ERP, planilha Excel, arquivos texto, etc.

· Data staging área – Filtro e padronização dos dados, ou seja, é a área de extração e transformação dos dados que serão carregados no DW

· Área de apresentação dos dados – local onde os dados ficam disponíveis e organizados para apresentação ao usuário

· Ferramenta de acesso aos dados – data mining, OLAP, Scorecards, Dashboards

13. Projetos de BI – Gerenciamento e planejamento

· Entender os motivos da criação do BI

· Avaliar expectativas

· Definir estratégias de entrega

· Definir riscos

· Definir escopo

· Avaliar recursos – humanos, financeiros e tecnológicos

14. Projetos de BI – Definição de requisitos

· Definição de requisitos – levantamento de dados, processos, medidas, usuários chaves, validação de requisitos

· Processo de negócio – Entendimento e identificação dos processos de negócio para modelagem da estrutura dimensional

· Requisitos comerciais – São as medidas e dimensões padrões para a maioria dos negócios, exemplo – ICMS,IPI,cliente, cidade, produto,etc..

 

[]s