BUSINESS INTELLIGENCE (BI)

BUSINESS INTELLIGENCE (BI)

1. DSS

   • Um sistema de suporte à decisão ou Decision Support System (DSS) é um sistema de informação que suporta atividades de tomada de decisões empresariais ou organizacionais, resultando tipicamente na ordenação, classificação ou escolha entre alternativas.
   • ANTIGA DENOMINAÇAO A SISTEMAS DE B.I

2. EIS/ESS

   • Um sistema de informação executivas ou Executive Information System (EIS), também conhecido como um sistema de suporte executivo ou Executive Support System (ESS),

3. OLAP

   • OLAP – On-line Analytical Processsing, ou seja, processamento analítico online - se refere a uma variedade de atividades normalmente executadas por usuários finais. Os produtos OLAP oferecem recursos de modelagem, análise e visualização de grandes conjuntos de dados. Em outras palavras, é uma tecnologia utilizada para integrar e disponibilizar informações gerenciais contidas em diversas bases de dados, em especial em Data Warehouses.

4. OLTP

   • On-line Transaction Processing
   • Os sistemas operacionais tratam das tarefas que fazem parte do dia a dia das organizações

5. consulta AD HOC

   • Ad hoc analysis is a business intelligence process designed to answer a single, specific business question. The product of ad hoc analysis is typically a statistical model, analytic report, or other type of data summary.

6. COMPONENTES B.I

   • DATA WAREHOUSE - DW
     • Sua função é armazenar os dados de forma padronizada, capturando informações dos diversos sistemas operacionais da empresa.
     • a informação acessível mais facilmente, apresentar a informação consistente (credibilidade), prover um sistema que seja adaptado a mudanças e apresentar a informação de forma temporal.
     • Um data warehouse é uma cópia de dados transacionais  especificamente estruturada para consulta e análise. Kimball também define o processo de data warehousing que é um conjunto de ferramentas e técnicas de projeto, que quando aplicadas às necessidades específicas dos usuários e aos bancos de dados específicos permitirá que planejem e construam um Data Warehouse.
     • Banco de dados, com ferramentas de consulta e relatório, que armazena dados atuais e históricos extraídos de vários sistemas operacionais e consolidados para fins de análises e relatórios administrativos
     • É uma coleção de dados orientados por assunto, integrados, variáveis com o tempo e não voláteis, para dar suporte ao processo de tomada de decisão.
     • orientado por assunto
       • refere-se ao fato do Data Warehouse armazenar informações sobre temas específicos importantes para o negócio da empresa. São exemplos típicos de temas: produtos, atividades, contas, clientes. Em contrapartida, quando observamos o ambiente operacional percebemos que ele é organizado por aplicações funcionais. Por exemplo, em uma organização bancária, estas aplicações incluem empréstimos, investimentos e seguros.
     • Integrado
       • refere-se à consistência de nomes, das unidades, das variáveis etc. É importante que os dados armazenados sejam transformados até um estado uniforme. Por exemplo, considere sexo como um elemento de dado. Uma aplicação pode codificar sexo como M/F, outra como 1/0 e uma terceira como H/M. Conforme os dados são inseridos ou repassados para o Data Warehouse, eles são convertidos para um mesmo padrão. O atributo Sexo, portanto, seria codificado apenas de uma forma.
     • Nao volatil
       • O fato de ser não volátil significa que o Data Warehouse permite apenas a carga inicial dos dados e consultas a estes dados. Após serem integrados e transformados, os dados são carregados em bloco para o DW, para que estejam disponíveis aos usuários para acesso.
     • variante no tempo
       • trata do fato de um registro em um Data Warehouse referir-se a algum momento específico, significando que ele não é atualizável. Enquanto o dado de produção é atualizado de acordo com mudanças de estado do objeto em questão, refletindo, em geral, o estado do objeto no momento do acesso, em um DW, a cada ocorrência de uma mudança, uma nova entrada é criada para marcar esta mudança.
     • granularidade
       • nível de sumarização dos elementos e de detalhe disponíveis nos dados
     • DATA MART
       • SUBCONJUNTO DO EDW
       • Data Mart São depósitos de dados que atende a certas áreas específicas da empresa, também conhecido como Data Warehouse Departamental fornece suporte à decisão para um pequeno grupo de pessoas – como aos profissionais da área de marketing, ou de vendas, por exemplo. O tempo de desenvolvimento e implementação, assim como os investimentos necessários, também são bem menores, em comparação ao Data Warehouse. É preciso ter em mente que as diferenças entre Data Mart e Data Warehouse são apenas com relação ao tamanho e ao escopo do problema a ser resolvido. Portanto, as definições dos problemas e os requisitos de dados são essencialmente os mesmos para ambos.  Enquanto o Data Mart trata de um problema departamental ou local, um (Data Warehouse) envolve o esforço de toda a empresa para que o suporte a decisões atue em todos os níveis da organização. Sabendo-se as diferenças entre escopo e tamanho, o desenvolvimento de um (Data Warehouse) requer tempo, dados e investimentos gerenciais muito maiores que um (Data Mart).
       • DEPENDENTE
       • INDEPENDENTE
         • Um Data Mart independente é um pequeno armazém concebido para uma unidade estratégica de negócios ou um departamento, mas sua origem não é um EDW. Percebam que o DM tem como sua principal característica o escopo reduzido do projeto.
     • EDW - EMPRESARIAL DATA WEREHOUSE
       • PROCESSO ETL: EXTRACTION & TRANSFORMATION LOAD
         • SELEÇAO
         • EXTRAÇAO
         • TRANSFORMAÇAO
         • INTEGRAÇAO
         • CARGA
         • componentes
           • extraçao
             • Coleta de dados brutos a partir dos sistemas de origem e, geralmente, gravação em disco no ambiente de ETL antes de qualquer reestruturação significativa dos dados.
             • 1. data profiling
             • 2. sistema de captura
             • 3. sistema de extraçao
           • limpeza e conformidade
             • O envio de dados de origem através de uma série de etapas de processamento no sistema de ETL para melhorar a qualidade dos dados recebidos a partir da fonte, e a fusão de dados a partir de duas ou mais fontes para criar e aplicar as dimensões e métricas conformes.
             • 4.Sistema de limpeza de dados
               • processo de limpeza de dados do ETL serve para corrigir dados sujos, mas ao mesmo tempo é esperado que o armazém de dados fornecesse um quadro preciso dos dados à medida que forem capturados dos sistemas de produção da organização
             • 5.Esquema de eventos de erro
               • O esquema de evento de erro é um esquema dimensional centralizado, cuja finalidade é registrar todos os eventos de erro lançada por uma tela em qualquer lugar do fluxo do mapa ETL
             • 6. Dimensao de auditoria
               • dimensão de auditoria contém o contexto dos metadados no momento em que uma linha específica da tabela de fatos é criada.
             • 7. sistema de deduplicaçao
               • A sobrevivência do sistema depende do processo de combinar um conjunto de registros duplicados em uma imagem unificada, que combina as colunas dos registros pareados em uma linha conformada.
             • 8.Sistema de conformidade
               • O sistema de conformidade permite fazer ajuste e verificações dentro do processo de ETL.
           • entrega
             • Fisicamente corresponde a estruturação e o carregamento dos dados em modelos multidimensionais de destino no servidor de apresentação.
           • gestao
             • Gestão dos sistemas e processos relacionados do ambiente de ETL, de uma forma coerente.
       • MODELAGEM MULTIDIMENCIONAL
         • fATOS
           • Os Fatos servem para o armazenamento dos registros e medidas (quase sempre) numéricas associadas a eventos de negócio.
           • Uma tabela fato armazena as medições de desempenho decorrentes de eventos dos processos de negócios de uma organização. Basicamente, representa uma medida de negócios. Uma tabela fato contém vários fatos, correspondentes a cada uma das suas linhas. Cada linha corresponde a um evento de medição. Os dados em cada linha estão a um nível específico de detalhe, referido como o grão, por exemplo, uma linha por produto vendido em determinada loja em um dia específico do não.
           • Uma única linha da tabela fato tem uma relação um-para-um com o evento de medição,
           • Uma tabela fato corresponde a um evento físico observável, e não às exigências de um relatório específico.
           • grao /granulalidade
           • aditivos
           • semi-aditivos
           • não aditivos
           • aspecto quantitativo
           • Mediçoes de desempenho
           • 2 ou 3 FKs E UMA PK COMPOSTA
         • DIMENSOES
           • descritores dos dados orinundos dos fatos. possui o carater qualitativo da informaçao. é a dimençao que mermite a visualizaçao das informaçoes por diversos aspectos e perspectivas
           • As dimensões possuem um relacionamento de “um para muitos” com as tabelas fatos. Ou seja, cada linha da tabela dimensão ligada diretamente a tabela fato pode estar associada a várias linhas da tabela dimensão.
           • aspecto qualitativo
           • pontos de entrada parada os dados
           • PK simples e artificial
         • ESQUEMAS
           • STAR SCHEMA
             • Uma tabela fato central e dimensões respresentadas em apenas 1 tabela. Todas as dimensões são ligadas diretamente a tabela fato. As tabelas dimensões são desnormalizadas. Mais fácil de ser entendido pelos usuários finais. (consultas mais simples) Performance melhor do que o modelo snowflake
             • TABELAS DIMENSAO DESNORMALIZADAS
           • CONSTALATION
             • SAO VARIOS STAR SCHEMAS INTERLIGADOS por tabelas dimensao em comum
           • SNOW FLAKE
             • Neste tipo de modelo de dados algumas dimensões podem ser normalizadas até a terceira forma normal (3FN). Essa normalização cria uma hierarquia entre as tabelas dimensões, fazendo com que algumas tabelas não estejam conectadas diretamente a tabela fato.
             • Dimensões normalizaadas (pelo menos uma) até a 3FN. Apresenta hieraquia nas dimensões. Algumas dimensões não estão ligadas diretamente a tabela fato. Modelo mais complexo, dificulta o entendimento por usuários finais. Ocupa menos espaço de armazenamento. Consultas mais complexas e lentas quando comparadas com o modelo estrela.
     • ODS - OPERACIONAL DATA STORAGE
       • se concentra em um prazo mais curto para a análise e assim é um subconjunto definido por tempo (por exemplo, apenas os dados desta semana)
       • Já o ODS é um armazenamento temporário de curto prazo para permitir o agrupamento de dados do período mais recente.
       • Ao contrário dos conteúdos estáticos de um armazém de dados, o conteúdo de um ODS é atualizado durante todo o curso das operações de negócios.
       • Um ODS é usado para decisões de curto prazo envolvendo aplicações de missão crítica, para o médio e longo prazo as decisões devem estar associadas com o EDW.
     • SA - STAGING AREA
       • transiçao entre o banco de dados e o ODS ou EDW. utilizado pelas ferramentas ETL para manipulação dos dados e padronização
   • Business Analytics
     • DATA MINING
       • A mineração de dados é um processo de busca de relações desconhecidas ou informações em grandes bases de dados ou armazéns de dados, utilizando ferramentas inteligentes como a computação neural, técnicas de análise preditiva, ou métodos estatísticos avançados.
   • BPM (Business Performance Management)
   • Interface
     • DASHBOARDS
     • KPI - KEY PERFORMANCE INDICATORS

7. BIG DATA

   • Big Data é o termo que descreve o imenso volume de dados – estruturados e não estruturados – que impactam os negócios no dia a dia. 
   • DADOS ESTRUTURADOS
   • NAO ESTRUTURARADOS
     • imagens, vídeos, áudios e documentos.

Imagens e arquivos do mapa