Às vezes, a empresa precisa obter insights específicos de um departamento. Embora seja possível fazer isso com um Data Warehouse, esta pode ser uma tarefa bastante demorada, visto que o DW é mais voltado à análise de negócios mais sistêmicas. É em meio a esse contexto que surge um novo conceito em ciência de dados: o Data Mart.
Se você ainda não ouviu falar no Data Mart, vamos explicar tudo neste artigo. A ideia é mostrar o seu funcionamento e como ele impacta o negócio, proporcionando insights específicos.
Para entender melhor o tema e aplicar mais esse conceito de ciência de dados na sua empresa, continue a leitura até o final!
O que é um Data Mart?
Basicamente, um Data Mart é um “recorte” de um Data Warehouse. Significa que é possível extrair um subconjunto de dados de uma base maior, visando análises mais pontuais.
Exemplificando, suponha que a empresa precise fazer uma campanha sazonal de Dia dos Pais. Ao pegar os dados de um DW ou de várias fontes dispersas, você tende a se perder um tempo valioso, podendo atrasar a implementação de alguma estratégia de marketing ou vendas.
Como funciona?
Geralmente, um Data Warehouse é composto por uma grande quantidade de dados estruturados. Informações de histórico de compras de clientes, arquivos de log e arquivos transacionais são apenas alguns exemplos de registros contidos nesta base.
Dito isso, nem sempre a empresa precisa fazer um reajuste de processo sistêmico, sendo importante ter o máximo de agilidade na hora de fazer melhorias e ajustes pontuais.
Quais as diferenças entre Data Mart, Data Flow, Data Set e Data Verse?
Falando primeiro do Dataverse, a sua diferença em relação ao Data Mart é de ordem técnica. Isso porque, na prática, o primeiro trabalha com OLTP (com foco no operacional) e o segundo com OLAP, focado na parte estratégica.
Em outras palavras, o OLTP é responsável por processar dados rotineiros do negócio, bastante voltado para o operacional e com rápido processamento. Já o OLAP é focado na camada estratégica da companhia, tendo uma frequência mais baixa na atualização dos dados, em comparação com o OLTP.
Um Data Flow é um fluxo de dados oriundo de um Data Lake. Este é um repositório ainda maior do que o Data Warehouse, visto que possui tanto dados estruturados quanto não estruturados. Isso significa que os dados desse fluxo não sofreram nenhum tratamento prévio, podendo estar ainda bastante brutos e até incompletos.
Por fim, o Dataset é considerado o principal meio de analisar dados. Em vez de ser um repositório como o Data Warehouse e o Data Mart, ele é um conjunto de dados (uma tabela) bastante específico, que será submetido a um tratamento.
Quais as principais vantagens de um Data Mart?
Além da agilidade e segurança dos dados, as vantagens de um Data Mart englobam:
- tomadas de decisão mais rápidas e precisas;
- escalabilidade na criação do gerenciamento de dados;
- repositório central único que dá maior confiabilidade aos dados inseridos nele.
Um Data Mart é um repositório oriundo do Data Warehouse. Como vimos, ele ajuda a empresa a obter insights específicos de um departamento, enquanto que o DW é mais focado em análises sistêmicas. Na prática, os colaboradores ganham bastante tempo, visto que a busca por informação relevante passa a ser feita em uma base menor e mais específica.
Assine agora mesmo a nossa newsletter e receba em seu e-mail outros conteúdos que ajudarão o seu negócio a melhorar continuamente a jornada dos seus dados!
Foi aluno de Ralph Kimball, maior referência mundial no assunto, no curso de Modelagem Dimensional realizado pela Kimball University, em Estocolmo – Suécia.
Já ministrou diversas palestras sobre o tema e atualmente mantêm o blog da Know Solutions, com referências sobre Business Intelligence.
Pós Graduado em Gestão de Projetos de Software pela PUC – Paraná. Trabalhou durante 7 anos na empresa Siemens onde participou de projetos em diferentes países.
Materia muito interessante
Obrigada pelo artigo 🙂 Acho que eu tenho uma equipe que pode obter cada sucesso 🙂 Mas sem kanbantool.com, nao conseguimos arranjar e controlar todas tarefas. Ferramentas digitais podem ajudar bastante – tal como manager ou teamledaer, mas mais suave 🙂 Eu planejo o dia do trabalho com kanban e todas tarefas sao cumpridas. Eu sei que nao cada um gosta trabalhar assim, mas comigo funciona 🙂
Parabéns por trazer a CRISP-DM de volta ao tablado. O “produtocentrismo” que assola o mercardo de BI pressiona os players a comprar o último brinquedo, a seguir a última moda, quando quase tudo que tem algum uso prático já existe há décadas – como o CRISP-DM
Seria legal um artigo um artigo comparando-o com SEMMA. Pode ser muito interessante para quem entrou na área há menos de 20 anos.
Gostaria de entender se a utilização da Big data nas empresas gera algum tipo de desvantagem nas pessoas que lá trabalham ?
Sobre o comentário do João Kechichian, concordo em relação às empresas não terem claro o que querem, e concordo com o Leandro sobre a abordagem de “Qual o seu problema” para dar as sugestões.
Mas vale ressaltar que as empresas não conseguem identificar o que querem por não terem claro um Planejamento Estratégico e objetivos bem descritos. Isso facilita muito perceber quais indicadores serão necessários acompanhar para atingir os resultados esperados.
Bom dia,
Há muita diferença das versões do livro The Data Warehouse Toolkit?
Vejo que ele esta na 3 edição.
Posso comprar apenas a 3 ou devo comprar todas?
Oi Marcos!
Há algumas atualizações com conceitos mais atuais. Não precisa comprar todas as edições não, apenas a 3a já cobre tudo que precisa.
Sim e não. A maior diferença é entre a primeira edição e as restantes. Da segunda edição em diante, quando a Margy Ross assumiu o livro, é tudo mais ou menos o mesmo.
A primeira edição, que por acaso chegou a ser publicada em português, é a melhor, na minha opinião. Ela é mais concreta, menor e mais focada. Se conseguir achá-la, compre. Vale ouro.
eu precisava para compor você uma pouco de note ajudar diga obrigado again com o extraordinário conselhos você compartilhado nesta página . Foi certamente maravilhosamente generoso com você dando abertamente tudo o que muitas pessoas {poderiam ter | poderiam possivelmente ter | poderiam ter | teriam | distribuído para um ebook para gerar alguma massa para eles mesmos , especialmente considerando que you poderia ter tried it se você nunca desejado . Those estratégias também agido como outras pessoas tenha semelhante desire como my own entender bom negócio mais relacionado este assunto . Eu tenho certeza há alguns mais agradáveis ocasiões ahead para pessoas que ver seu site
[…] de BI — Business Intelligence ou, traduzindo, Inteligência Empresarial — é justamente o diferencial que uma empresa precisa para tratar dados gerados por vários meios. Veja alguns contextos que podem servir de […]
[…] para aumentar seu lucro ou diminuir seus custos operacionais. Esse é o conceito básico de Business Intelligence utilizado como diferencial […]
Olá Leandro.
Acredito que o potencial da área de Business Intelligence dentro das empresas pode ser maior do que se imagina hoje.
Trabalho com consultoria de B.I. para agencias e empresas, e enfrentamos diariamente dois grandes problemas.
1- Padronização dos dados: Como utilizamos muitas fontes de dados, todo o processo, desde o que a implementação, até a parte operacional, precisa ser muito bem estruturada. Sem o padrão das informações perde-se muito tempo com “correção”, sendo que “tempo” não é o que temos para identificar um padrão, pois no dia seguinte ele pode mudar se não o tratarmos.
2- Pessoas que não sabem o que querem: Corporações não sabem o que querem, logo querem tudo. O problema é que sabemos que não tudo não é necessário, se consegue identificar padrões e otimizações com metade do volume. Sendo assim o processo de otimização passa a ser inteligente para ser operacional.
O futuro da área esta encaminhando para segmentações e clusterizações dinâmicas para analise de Big Data, mas se o processo de todos envolvidos precisa ser muito bem desenhado e a área de B.I. precisa ter este knowhow também.
Obrigado e muito bom seus artigos.
Oi João, obrigado pelo seu comentário! Concordo com você!
Realmente, a padronização dos dados é o ponto mais sensível mesmo. Aqui estimamos em torno de 60% a 70% do tempo em um projeto de BI apenas para esta parte.
Sobre as pessoas não saberem o que querem, aqui vemos como uma certa vantagem. Muitas vezes não é nem exatamente não saber o que querem, mas não saberem o que é possível fazer. Com isso, parte do nosso trabalho aqui é exatamente entender do que o cliente sofre aí então sugerir algumas coisas. Tentamos não ir para uma abordagem de “o que você quer” mas sim de “quais são seus problemas”.
Isso me deu até a ideia de criar um post focado nisso, vou deixar anotado para o futuro!
Existe uma técnica chamada Árvore de Realidade Presente, da Teoria das Restrições, que lida justamente com essa barafunda de problemas e entendimentos. Eu experimentei a mesma frustração que você, João, e decidi resolver esse problema. A imagem https://geekbi.files.wordpress.com/2020/10/bi_toc-crt-x.png é um resumo do que eu tenho até agora.
Adoraria uma contribuição. “O cliente não sabe o que quer” já está lá. “Dados são sujos” e “Dados são bagunçados” me parecem boas adições.
O que você acha? E você, Leandro?