O processamento adequado dos dados em sua empresa impacta diretamente no desempenho da sua equipe. Se você utiliza um modelo de data warehouse em seu negócio, por exemplo, o método de organização mais recomendado é a modelagem dimensional de dados. Mas, como ela funciona na prática?
Com um pouco de planejamento e as ferramentas certas, você verá como esse modelo é o ideal para otimizar o processamento de dados em seu negócio. Além de contribuir com sua organização mais eficiente, também será mais fácil recuperar estes dados para futuras análises.
Acompanhe e entenda mais sobre a modelagem dimensional de dados, como ela é feita e quais são seus benefícios.
O que é modelagem dimensional?
A modelagem dimensional é uma técnica de processamento e organização de dados. É o método mais utilizado junto ao data warehouse, ajudando a aproveitar suas ferramentas BI ao máximo.
Seu funcionamento é baseado em dois pilares. Veja quais são a seguir.
Fatos
Representa ações e eventos relacionados ao funcionamento do negócio. Por exemplo, o número de unidades vendidas em uma loja. Nesse modelo, fatos podem ser aditivos, aqueles que se agregam a todas as dimensões (número de vendas); semi-aditivos, que se agregam a uma dimensão (estoque absoluto), mas não a outras, ou não aditivos, que não podem ser agregados a nenhuma dimensão (datas).
Dimensões
As dimensões, por sua vez, são tabelas que contextualizam diferentes fatos. Ela armazena informação descritivamente, agrupando os fatos registrados de acordo com sua relevância e características. Por exemplo, na dimensão “datas” você tem o conjunto completo de todas as datas registradas, cada uma contando como um Fato.
Quais são os benefícios da modelagem dimensional?
Para muitos desenvolvedores, a modelagem dimensional de dados é o método mais eficiente para desenvolver data warehouses. Veja aqui alguns de seus principais benefícios.
Agilidade e clareza na consulta de dados
Se você pretende integrar dados de diferentes sistemas em sua plataforma, é fundamental pensar em como esses dados serão organizados. A clareza na visualização da informação impacta diretamente em sua utilidade para toda a empresa. Com a modelagem dimensional, você tem um padrão simples e eficiente para organizar dados e consultá-los.
Geração de insights valiosos
A coleta de informações na empresa pode ter vários propósitos, desde a análise de desempenho dos colaboradores até o desenvolvimento de novas estratégias de mercado. Com um modelo de organização mais claro e eficiente, você tem mais oportunidades para gerar insights e encontrar novas oportunidades de aprimoramento.
Facilidade de uso no dia a dia
Outra vantagem da modelagem dimensional é sua praticidade para o usuário final. A combinação de tabelas de fato e de dimensão permite identificar rapidamente quais informações você precisa, além de organizá-las de forma mais elegante. Algo importante para otimizar sua tomada de decisão.
A modelagem dimensional é um dos melhores modelos para empresas que usam data warehouse. Com as ferramentas de BI certas à sua disposição, você e sua equipe podem usar essas informações para aumentar a produtividade e o desempenho da empresa como um todo.
Quer continuar recebendo mais dicas para melhorar seu processamento de dados? Então assine nossa newsletter e acompanhe tudo em primeira mão.
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?