WEBAULA 2
Unidade 1 Gesto da Informao e Conhecimento
Nos dias atuais, a Tecnologia da Informao (TI) est presente no dia a dia das
organizaes, sejam elas pblicas ou privadas, atuando de forma eficiente na gesto
da informao, apoiando as decises e, principalmente, tornando-se um fator
competitivo no mercado para os que conseguem extrair todo o seu potencial.
Com o crescimento do mercado, a tecnologia tornou-se primordial no processamento
de grandes volumes de dados, assim as organizaes esto saindo das reas
nosso
plano
de
estudo!
MAIS
-
Kettle.
VIDEO
Business Intelligence Component - Extract, Transform, and Load (ETL).
Data
Warehouse
tutorial.
Creatingan
ETL.
ETL - Extract, Transform & Load - Part 1 - convert data from html table to
Excel.
QUESTO
PARA
REFLETIR
DISCUTIR
Colabore com nosso Frum! Pesquise ferramentas open source disponveis no mercado,
analise as suas principais vantagens e desvantagens.
Seo 2 Modelagem Multidimensional
Os modelos multidimensionais podem ser implementados em dois tipos (IFRN, [s. d.]):
Modelo Estrela (Star Schema) e Modelo Floco de Neve (Snowflake). O modelo estrela
representado por uma estrutura simples, com poucas tabelas e ligaes bem
definidas, similar ao modelo de negcio, facilitando a leitura e o entendimento. J no
modelo floco de neve, as tabelas dimensionais possuem relao com a tabela de fatos,
porm algumas dimenses relacionam-se somente entre elas, com o objetivo de
normalizar as tabelas dimensionais, reduzindo o espaamento ocupado pelas tabelas
do esquema.
SAIBA
MAIS
Entendendo
a
modelagem
multidimensional.
Artigo SQL Magazine 39 - Mitos e Verdades sobre Modelagem Multidimensional Tpicos
essenciais
para
se
criar
um
modelo
eficiente.
Modelagem multidimensional (SSAS).
VIDEO
INF
4:
What
is
Snowflake
Analysis Services - 11 Star and Snowflake Schemas.
QUESTO
Schema.
PARA
REFLETIR
DISCUTIR
MAIS
A
Tecnologia
de
Data
Warehouse
nas
organizaes.
Construo de Data Warehouse (DW) e Data Mart (DM).
VIDEO
Data
Warehouse
Tutorial
for
Data Warehousing - Concepts Introduction.
QUESTO
Beginners.
PARA
REFLETIR
DISCUTIR
SAIBA
MAIS
Data
Warehouse
ou
Data
Mart,
por
onde
Data Mart Framework for Production Route Selection.
comear?
VIDEO
Understanding Data Mart | Datawarehousing.
QUESTO
PARA
REFLETIR
DISCUTIR
SAIBA
MAIS
PARA
OLAP.
REFLETIR
DISCUTIR
entrada, e voc move para os prximos ns at alcanar uma folha que mostre
a sada prevista (IBM, 2010).
Regresso: mtodo estatstico utilizado para mapear os dados para um valor de
previso. As tcnicas lineares e no lineares so utilizadas. Representa uma
forma de estimativa. Envolve a identificao de mtricas e a avaliao de um
item junto s mtricas por meio de especificao de pontuao (EFRAIM et al.,
2008).
Induo de regras: relacionado deteco de tendncias dentro de grupos de
dados ou de "regras" sobre os dados. So demonstradas aos usurios como uma
lista "no encomendada", ou seja, sem que sigam algum critrio
antecipadamente estabelecido. o processo de analisar uma srie de dados e, a
partir deles, gerar padres (LEMOS, 2003).
Algoritmos genticos: responsvel pelo tratamento das possveis solues do
problema como "indivduos" de uma "populao". Nessa tcnica, selecionamos
um conjunto de indivduos como base para a criao de um novo conjunto de
possveis solues. Os critrios de escolha dos indivduos devem ser de alguma
maneira ligados ao valor da funo de aptido. Uma nova gerao criada, sendo
que esses passos so repetidos at que algum critrio de trmino seja satisfeito
(HASSE, 2000).
SAIBA
MAIS
PARA
Sociais.
REFLETIR
Como a minerao de dados est presente nas rotinas dirias das organizaes? Quais
so as organizaes que mais investem em minerao de dados?
PARA
DISCUTIR
OLAP.
s/d.
Disponvel
em: <http://www.din.uem.br/ia/a_multid/mineracao/OLAP.html>. Acesso em: 3 maio
2015.
DEVLIN, B. Data warehouse: from architecture to implementation. Reading: AddisonWesley, 1997.
EFRAIM, T. et al. Business Intelligence: Um enfoque gerencial para a inteligncia do
negcio. Porto Alegre: Bookman, 2008.
FU, L.; HAMMER, J. CubiST: a new algorithm for improving the performance of ad-hoc
OLAP queries. In: ACM international workshop on data warehousing and OLAP, 3.
Proceedings. McLean, USA: ACM Press: New York, 2000. 72-79 p.
em:
HAN, J.; KAMBER, M. Data Mining: Concepts and Techniques. 2006. Disponvel em:
<http://web.engr.illinois.edu/~hanj/bk2/toc.pdf>. Acesso em: 3 maio 2015.
HASSE, M. Minerao de dados usando algoritmos genticos. 2000. 77 f. Dissertao
(Mestrado em Informtica)- Departamento de Informtica, Setor de Cincias Exatas,
Universidade
Federal
do
Paran,
Curitiba,
2000.
Disponvel
em:
<http://dspace.c3sl.ufpr.br/dspace/bitstream/handle/1884/24726/D%20%20HASSE,%20MOZART.pdf?sequence=1>. Acesso em: 3 maio 2015.
INMON, W. H. Como construir o data warehouse. Rio de Janeiro: Campus, 1997.
KIMBALL, R. The Data Warehouse Toolkit: guia completo para modelagem dimensional.
Rio de Janeiro: Campus, 2002.
KIMBAL, R. et al. The Data Warehouse Lifecycle Toolkit: Expert Methods for Designing,
Developing, and Deploying Data Warehouses. John Wiley & Sons, New York, 1998.
KIMBALL, R.; MERZ, R. Data Webhouse: Construindo o Data Warehouse para a Web.
Traduo: Edson Furmankiewicz, Joana Figueiredo. 1. ed. Rio de Janeiro: Campus,
2000. 367p.
KIMBALL, R.; ROSS, M. The Data Warehouse Toolkit. 2 ed. New York, NY, EUA: John
Wiley and Sons, 2002.
LEMOS, P. E. Anlise de Crdito Bancrio com o Uso de Data Mining: Redes Neurais e
rvores de Deciso. 2003. 147 f. Dissertao (Mestrado Cincias)- Ps-Graduao em
Mtodos Numricos em Engenharia, Programao Matemtica, Setor de Tecnologia,
Departamento de Construo Civil e Setor de Cincias Exatas, Departamento de
Matemtica, Universidade Federal do Paran, Curitiba, 2003. Disponvel em:
<http://www.ppgmne.ufpr.br/arquivos/diss/70.pdf>. Acesso em: 9 maio 2015.
MSDN.
Conceitos
de
Minerao
de
Dados.
2014.
Disponvel
em:
<https://msdn.microsoft.com/pt-br/library/ms174949.aspx>. Acesso em: 3 maio
2015.
NAVARRO, M. C. de A. O Que DATA WAREHOUSE. 1996. Disponvel em:
<http://www4.serpro.gov.br/imprensa/publicacoes/tema-1/tematec/1996/ttec27/>.
Acesso em: 3 maio 2015.
OLAP.
Ferramentas
OLAP.
s/d.
Disponvel
<http://docente.ifrn.edu.br/ebertonmarinho/disciplinas/banco-de-dadosii/aulaFerramentasOLAP.pdf>. Acesso em: 3 maio 2015.
em:
ORACLE.
A
Data
Mart
Concepts.
s/d.
Disponvel
em:
<http://docs.oracle.com/html/E10312_01/dm_concepts.htm>. Acesso em: 3 maio
2015.
REZENDE, D. A.; ABREU, A. F. Tecnologia da informao aplicada a sistemas de
informao empresariais: o papel estratgico da informao e dos sistemas de
informao nas empresas. So Paulo: Atlas, 2000.
SEZES, C.; OLIVEIRA, J.; BAPTISTA, M. Business Intelligence. Porto: Sociedade
Portuguesa de Inovao, 2006.
SHAMS, K.; FARISHTA, M. Data Warehousing: Toward knowledge Management. Topics
in Health Information Management, v. 21, n. 3, p. 24-32, 2001.
SHOLOM et al. Fundamentals of Predictive Text Mining. Disponvel em:
<http://115.28.209.159/BIweb/Fundamentals%20of%20Predictive%20Text%20Minin
g.pdf>. Acesso em: 3 maio 2015.
SHOSHANI, A. OLAP and statistical databases: similarities and differences. In: ACM
SIGACT-SOGMOD-SIGART Symposium on principles of database systems, 16.
Proceedings. Tucson, USA: ACM Press: New York, 1997. 185-196 p.
TECHNET.
Data
Warehouse
x
Data
Mart.
s/d.
Disponvel
<http://social.technet.microsoft.com/wiki/pt-br/contents/articles/10274.datawarehouse-x-data-mart.aspx>. Acesso em: 3 maio 2015.
em: