Modelo padrão de artigos DevMedia

Como referenciar este artigo:
PRASS, Fernando Sarturi. FERNANDES, Mikael de Souza. VARGAS, Pablo Tôndolo. Utilizando a
Ferramenta Mondrian para Modelagem em Data Warehouses. SQL Magazine, v.67, 2009.
Banco de Dados
Utilizando a Ferramenta Mondrian para
Processamento de um Data Warehouse
WOLAP com ferramenta open-source
Fernando Sarturi Prass - [email protected]
Mestre em Ciência da Computação pela UFSC. Diretor da FP2 Tecnologia
(http://www.fp2.com.br/), empresa gaúcha que atua desenvolvimento de sistemas e presta
consultoria em Bancos de Dados e Data Mining. Professor da Universidade Luterana do
Brasil (ULBRA).
Pablo Tôndolo de Vargas - [email protected]
Bacharel em Sistemas de Informação da Universidade Luterana do Brasil (ULBRA).
Atua na área de desenvolvimento em Delphi e na área de qualidade de software na
empresa FP2 Tecnologia.
Mikael de Souza Fernandes - [email protected]
Bacharel em Sistemas de Informação pela Universidade Luterana do Brasil (ULBRA).
Programador Java e desenvolvedor de solução (http://portal.ufsm.br/neuro) de Business
Intelligence no CPD (Centro de Processamento de Dados) da UFSM.
LEAD: BOX
De que se trata o artigo: Este artigo apresenta o Mondrian, uma ferramenta de BI (Business
Intelligence) open-source de análise de dados. Além de apresentar a ferramenta, o artigo demonstra
seu funcionamento através de um exemplo prático: um Data Warehouse (DW) de uma vídeo locadora.
Para que serve: Mondrian é uma ferramenta de BI focada no usuário de nível gerencial que permite a
análise de grandes bases de dados por meio de planilhas, tabelas e gráficos.
Em que situação o tema é útil: BI pode ter um papel fundamental na tomada de decisões em qualquer
organização, através da análise de dados, por exemplo, é composto por DW e On-Line Analytical
Processing (OLAP). A tecnologia OLAP manipula e aplica metodologias de multidimensionalidade
em grandes fontes de dados (DW).
Introdução
Cada vez mais os administradores de empresas têm a necessidade de analisar e
visualizar os dados corporativos independentemente do local onde estejam, sejam em suas
casas ou no escritório. Nesse contexto, é necessário rapidez, dinamismo e consistência nos
dados para facilitar a tomada de decisão sobre como agir a partir de informações do mesmo.
Como o próprio nome sugere On-Line Analytical Processing (OLAP, em português
Processamento Analítico On-Line) tem por finalidade processar grandes quantidades de
dados em tempo real. Segundo Kimball(1998), OLAP é um termo criado para descrever uma
abordagem dimensional para suporte à decisão, através de uma análise dinâmica e
multidimensional dos dados. No entanto, a tecnologia OLAP é somente de visualização de
dados que estão numa forma agregada, ou melhor, resumida. Esse resumo é necessário para
que se possa analisar os dados dispostos em uma base relacional.
Englobado nos conceitos de OLAP, encontra-se a ferramenta Mondrian, que consiste em
um projeto open source que está atualmente na versão 3, desenvolvida pela Pentaho
(www.pentaho.com). Mondrian aplica as tradicionais operações OLAP em Esquemas XML.
Para definir as consultas na devida base dados, Mondrian utiliza uma outra tecnologia
padrão, o MDX (Multidimensional Expressions).
O MDX consiste em uma linguagem semelhante à linguagem SQL (Structured Query
Language), foi criada pela Microsoft e introduzida na ferramenta Microsoft SQL Server
Services OLAP (Nota 1), fazendo parte da especificação OLE DB/OLAP API. Porém, o
Mondrian não possui um visualizador dos dados multidimensionais, podendo assim ser
integrado como uma API em outras ferramentas, como o caso do JPivot (Nota 2).
Nota 1. A Ferramenta Microsoft SQL Server OLAP Services
O Microsoft SQL Server Services OLAP, também chamado de Analysis Services, é um servidor baseado em
OLAP e mineração de dados (Microsoft, 2008b). Assim como o banco de dados SQL Server, ele possui custo
de licença. Esta solução oferece um pacote completo de recursos para aplicação dos conceitos de Inteligência
de Negócios, como ainda ETL e DW.
Nota 2. A Ferramenta Pivot
A tecnologia JPivot é responsável pela camada de apresentação, projetada para trabalhar com vários
servidores OLAP, especialmente com o Mondrian. O JPivot é uma ferramenta que através de suas tag librarys
permite apresentação e interação com os dados analisados (JPivot 2007), isto é, visualização e manipulação
de tabelas, resultado de consultas OLAP.
Este artigo tem como objetivo apresentar a ferramenta Mondrian, assim como explorar
os conceitos de BI, mostrando o seu significado e como o usuário pode usufruir de seus
recursos no dia-a-dia através de uma exemplificação de uma base de dados de uma vídeolocadora.
A ferramenta Mondrian utiliza a tecnologia JDBC (Java Database Connectivity), logo é
flexível quanto a Sistema Gerenciador de Banco de Dados (SGBD). No exemplo não é citado
o SGBD utilizado, pois é deixado a rigor de cada um a escolha deste, logo foi utilizada a
conexão ODBC (Open Data Base Connectivity) suportada pela tecnologia JDBC.
Data Warehouse (DW)
Conforme Fortulan e Filho (2005), ao longo do tempo os bancos de dados foram
desenvolvidos para fins de processamentos de dados operacionais e analíticos, havendo
maior ênfase no primeiro caso, ainda que ambos tivessem usuários com diferentes
necessidades. Uma vez compreendida essa diferença, foram criados bancos de dados
separados para fins analíticos, chamados de Data Warehouse (DW) ou armazém de dados.
Conforme Navathe e Elmasri (2000), os Data Warehouses (ou armazéns de dados)
fornecem acesso a dados para análise complexa, descoberta de conhecimento e tomada de
decisão. Além disso, eles suportam demandas de alto nível de desempenho de dados e
informações em uma organização para vários tipos de aplicações – OLAP, DSS (Decision
Support Systems) e Data Mining.
Elmasri & Navathe (2000) definem os passos para o desenvolvimento de um DW:
Os dados devem ser extraídos de várias fontes, heterogêneas.
Os dados devem ser formatados para consistência dentro do DW.
Os dados devem ser limpos para garantir a sua validade (a limpeza de dados é
um processo complexo e com muitas implicações).
Os dados devem ser ajustados ao modelo de dados do DW.
Os dados devem ser carregados para o DW (ferramentas de monitoramento
para cargas, bem como métodos de recuperação de cargas incompletas ou
incorretas, são necessárias).
Conhecendo OLAP (On-Line Analytical Processing)
Para manipular um DW é necessária a aplicação de conceitos e tecnologias distintas.
Comumente em base de dados tradicionais para operações transacionais são utilizadas
tecnologias chamadas de OLTP (On-Line Transaction Processing). Entretanto, no caso de DW,
utiliza-se de tecnologias denominadas OLAP OLTP (On-Line Analytical Processing).
Como o objetivo das ferramentas OLAP é permitir análises para examinar os negócios,
elas têm requisitos bem particulares se comparadas a outros sistemas de informação,
conforme Berson (1997) e Thomsen (2002), tais como:
Flexibilidade: as análises de negócio devem ter liberdade e facilidade para escolher
os dados a serem analisados bem como o formato no qual eles devem ser
visualizados;
Simplicidade: ferramentas OLAP devem prover maneiras simples e intuitivas de
confecção de análises para os analistas de negócio;
Expressividade: a linguagem de consulta utilizada pela ferramenta OLAP deve ser
poderosa o suficiente para que o analista consiga extrair informações realmente
úteis para o negócio;
Poder de análise: ferramentas OLAP devem prever um conjunto de operações de
agregação e exploração de dados que permitam análises de tendências e
comparações complexas utilizando os dados que descrevem o negócio;
Velocidade: o processamento das consultas sobre o DW deve ser realizado em um
tempo relativamente baixo. O tempo de processamento, dependendo do volume de
dados e da complexidade do código da consulta, pode em casos específicos chegar
a horas.
Criando DW em um Estudo de Caso – Sistema de Vídeo Locadora
Tomando por exemplo um sistema de uma típica empresa de vídeo locação que possui
uma base de dados com as seguintes informações: dados do cliente, como endereço, nome e
CPF; informações sobre o produto (vídeo), como título, descrição, gênero; e por fim os
registros das locações, contendo detalhes referentes ao locatário (cliente), vídeo, data e valor.
A Figura 1 apresenta o modelo de entidade e relacionamento referente a esse sistema que
usaremos como exemplo.
CLIENTE
VIDEO
ID_CLIENTE
ID_VIDEO
NOME
SEXO
CPF
ID_ENDERECO (FK)
TITULO
DESCRICAO
ID_GENERO (FK)
LOCACAO
ID_LOCACAO
ENDERECO
ID_ENDERECO
CIDADE
BAIRRO
RUA
VALOR
DATA
ID_CLIENTE (FK)
ID_VIDEO (FK)
GENERO
ID_GENERO
NOME_GENERO
Figura 1. Modelo entidade relacionamento do sistema da vídeo-locadora
Entretanto, para o nível gerencial do referido sistema, a base de dados não representa
informações pertinentes à tomada de decisão, mas sim apenas para fins operacionais. Sendo
assim, é preciso desenvolver um DW para esta base de dados, através do conceito de
multidimensionalidade ou cubo de dados.
Cubo de dados é uma estrutura multidimensional que expressa a forma na qual os tipos
de informações se relacionam. Ele é formado pela tabela de fatos e pelas tabelas de dimensão
que a circundam e representam possíveis formas de visualizar e consultar os dados. O cubo
armazena todas as informações relacionadas a um determinado assunto de maneira a
permitir que sejam montadas várias combinações entre elas, resultando na extração de várias
visões sobre o mesmo tema (Hokama et al. 2004, p. 49).
O exemplo de um cubo do sistema de uma vídeo-locadora é representado por tabelas
de dimensões e tabela de fatos, sendo a tabela de dimensões referentes a vídeos e clientes; e,
por conseguinte, a tabela de fatos que seriam as locações.
As dimensões basicamente compreendem aos aspectos a serem analisados que se
relacionam ao cubo por meio da tabela de fatos. Por outro lado, os fatos são representados
por tabelas (fact tables) que correspondem aos conjuntos de dados mensuráveis e
referenciáveis no modelo dimensional.
A tabela de fatos é a principal tabela de um modelo dimensional, onde as medições
numéricas de interesse da empresa estão armazenadas (Kimball, 2002). Usando o modelo
entidade relacionamento (ER) apresentado na Figura 1, pode-se definir como tabela de fatos
o conjunto de todas as locações agregadas de outras informações como gênero, valor (R$),
quantidade, etc. Sendo que os valores a serem processados são chamados medidas, neste
caso seriam os atributos valor da locação e quantidade de locações. Para se chegar à tabela de
fatos, recomenda-se os procedimentos de ETL (Extract Transform Load) que consiste na
extração, processamento e carga do modelo ER para o modelo dimensional (DW).
Segundo Barbieri (2001), as dimensões têm uma relação de 1:N com a tabela de fatos.
Logo, elas possuem um número de registros bem menor. Elas possuem inúmeras colunas de
informação e uma chave primária que acaba participando das tabelas de fatos, como parte de
sua chave múltipla. Para a formulação de uma dimensão, também se utiliza do mesmo
procedimento de ETL.
Nas dimensões ainda há os conceitos de membro, hierarquia, nível e propriedade. Um
membro é um item contido em uma dimensão, isto é, no modelo apresentando, “Infantil”
seria um membro da dimensão gênero. Uma hierarquia é um conjunto de membros
organizados em uma estrutura, para facilitar a análise. Um nível é um conjunto de membros
que têm a mesma distância a partir da raiz da hierarquia. No modelo apresentado temos uma
única hierarquia em ambas dimensões, um único nível na dimensão “cliente” e dois níveis na
dimensão “gênero”. E, por fim, propriedade é um valor de um membro que será visualizado
pelo usuário, no modelo apresentado, o “título” representa uma propriedade da dimensão
vídeo.
Veja o modelo do DW na Tabela 1.
Tabela 1. Definição do modelo de DW
Cubo
Locadora
Dimensão
Vídeo/Gênero
Cliente
Hierarquia
Vídeos
Clientes
Propriedades
Gênero, título
Nome
Medidas
Quantidade,
valor total
A Ferramenta Mondrian
O Mondrian é uma ferramenta disponibilizada como uma tecnologia Web desenvolvida
na linguagem de programação Java. Conforme Brito (2004), o Mondrian executa as consultas
OLAP sob a base de dados e retorna os dados manipulados. Este retorno, porém, não tem
uma saída (interface gráfica) definida. A visualização das consultas retornadas depende de
outra tecnologia: o JPivot. Possibilita executar as operações, como por exemplo:
drill Member: Abre todas as ocorrências de um determinado item;
drill Position: Abre apenas a ocorrência selecionada daquele item;
drill Replace: Substitui a raiz da dimensão atual pelo item selecionado;
drill Through: Explica de onde foi que aquele dado foi calculado;
Swap de linhas e colunas;
Exportação dos dados da tela para o aplicativo Microsoft Excel e a extensão PDF.
Arquitetura do Mondrian
A ferramenta Mondrian é composta basicamente por quatro camadas: a camada de
apresentação (presentation layer), dimensional (dimensional layer), estrela (star layer) e, por fim,
de armazenamento (storage layer). A tecnologia JPivot é responsável pela camada de
apresentação. A segunda camada, dimensional, é a camada que recebe, analisa e envia
consultas OLAP. A camada estrela é responsável pela ligação da consulta recebida pela
camada anterior e a execução da mesma sobre a base de dados através de um mapeamento. E
por último, a camada de armazenamento é quem executa as consultas solicitadas pela
camada estrela sobre o DW.
Mondrian Schema
De acordo com Brito (2004), a lógica do Mondrian é implementada através de Schemas,
que definem o modelo multidimensional lógico e o mapeamento deste modelo em um
modelo físico e relacional. O primeiro, modelo lógico, é formado de elementos definidos pelo
Schema, sendo estes: cubos, dimensões, hierarquias, níveis e membros. Por conseguinte, o
modelo físico é a base de dados relacional que é mapeada pelo modelo lógico através do
Schema.
Ainda conforme Brito (2004), a representação destes Schemas é feita através de arquivos
XML, utilizando os mesmos conceitos relacionados à análise dimensional: cubo,
representando em alto nível a lógica multidimensional do sistema, bem como os fatos e
dimensões.
Contextualizando com o nosso estudo de caso da vídeo-locadora descrito
anteriormente, temos como dimensões do cubo: clientes e vídeos, ambos relacionados com a
tabela de fatos (locação). Essa modelagem é representada pelo mapeamento em XML
apresentado na Figura 2.
Neste passo, sugere-se utilizar uma outra tecnologia do projeto Pentaho, a ferramenta
de modelagem chamada Mondrian Schema Workbench (Nota 3).
Nota 3. A Ferramenta Mondrian Schema Workbench
A ferramenta Mondrian Schema Workbench é uma interface de projeto (design) que possibilita a criação e teste
visualmente de schemas de cubo Mondrian OLAP. A engine do Mondrian processa as requisições MDX com os
schemas ROLAP (Relational OLAP). Esses arquivos de schema são modelos de meta-dados em XML que são
criados em uma estrutura específica usada pela engine do Mondrian. Esses modelos XML podem ser
considerados estruturas como cubo que utilizam as tabelas de FATOS e DIMENSÕES existentes que podem
ser encontradas em seu banco de dados.
Mais detalhes podem ser obtidos em:
http://mondrian.pentaho.org/documentation/workbench.php
Figura 2. Arquivo Locadora.xml referente ao Schema do sistema da vídeo-locadora
Primeiramente, é determinado o nome do esquema através da tag chamada Schema (na
linha 1 da Figura 2 o nome do Schema é Locadora). Logo após é dado o nome ao cubo. Neste
exemplo ele possui o mesmo nome do esquema. Então através da tag Table (linha 3) é
mapeada a identificação da tabela de fatos, que no nosso exemplo é identificada pelo nome
“locacao”.
Foram criadas duas dimensões, “Video” e “Cliente”, nas linhas 4 e 19 através da tag
Dimension. Nesta tag é identificado o nome da dimensão, assim como podemos configurar a
chave estrangeira da dimensão (foreignKey), que é a ligação entre a tabela de fatos e
dimensão. Nas linhas seguintes são configuradas as hierarquias (hierarchy) de cada dimensão
e seus níveis. Na dimensão de vídeos dentro da tag de hierarquia é configurada, através da
tag JoinTable (linha 6), o relacionamento dos vídeos e seus gêneros. E através da tag Level
(linhas 10 e 11) são configurados os níveis e suas respectivas propriedades, identificados por
nome (name) e a devida coluna da propriedade (colunm).
A seguir, através da tag Measure (linhas 20 e 22), que identifica uma medida, são
determinadas as propriedades, além de nome (name), coluna da tabela (column), tipo de dado
da medida (datatype) e como ele será apresentando (formatString).
Configurando a Ferramenta Mondrian
Ao longo deste artigo, foi desenvolvido um estudo de caso de uma vídeo-locadora
através de uma base de dados relacional e o mapeamento desta base para os conceitos de
DW, isto é, Schema Mondrian. Agora será mostrado o funcionamento da ferramenta Mondrian
em um servidor Web (conforme especificação da linguagem Java).
Para a utilização da ferramenta Mondrian, é preciso inicialmente configurá-la. Para isso,
devemos adicioná-la ao diretório de aplicações do servidor. A ferramenta é disponibilizada
através do endereço http://mondrian.pentaho.org no formato compactado (war).
Antes da inicialização do servidor, deve-se realizar duas modificações na aplicação. A
primeira é adicionar o mapeamento (schema) anterior, o arquivo Locadora.xml, em um
diretório qualquer inserido na aplicação (aqui foi escolhido o diretório /WEBINF/queries), que será referenciado logo após. Por fim, deve-se gerar um arquivo JSP (Java
Server Pages) no diretório queries (/WEB-INF/queries) da aplicação. Para exemplificação,
será utilizado o nome do arquivo de locadora (locadora.jsp). No corpo deste arquivo será
inserida na tag denominada mondrianQuery a consulta e suas propriedades, tais como título,
esquema, dentre outras propriedades (conforme Tabela 1 e exemplo da Figura 3).
Tabela 1. Tabela de atributos da tag mondrianQuery
Atributo
id
Descrição
Valor
Nome do atributo criado na
query01
sessão.
jdbcDriver
Nome da classe do Driver JDBC. sun.jdbc.odbc.jdbcOdbcDriver
jdbcUrl
Definição do banco de dados.
jdbc:odbc:Locadora
jdbcUser
Usuário do banco de dados.
nulo
jdbcpassword Senha do banco de dados.
nulo
dataSource
Nome de um DataSource (fonte
nulo
de dados) pré-configurado.
catalogUri
Descrição do caminho (path) do
/WEB-INF/
Mondrian Schema na aplicação.
queries/Locadora.xml
Figura 3. Arquivo locadora.jsp com a consulta a ser executada
Utilizando a Ferramenta Mondrian
Após a configuração e inicialização da ferramenta Mondrian no servidor aplicando os
conceitos citados até então, podemos utilizá-la para diversos objetivos, conforme já descrito
na seção “A Ferramenta Mondrian”. Dentre as funcionalidades disponibilizadas pela
ferramenta, podemos citar (Tabela 2) as encontradas na barra de ferramentas (toolbar) da
Figura 4:
Tabela 2. Tabela de funcionalidades do Mondrian
Função
Descrição
OLAP Navigator
Definição de dimensões e medidas como
linhas e colunas;
MDX Query
Permite visualização e edição de consulta
MDX;
Configure OLAP Table
Possibilita a ordenação dos membros,
baseando-se em ranking;
Show Parent Members
Mostra membros superiores nas colunas e
linhas;
Hide Spans
Esconde membros repetidos nos cabeçalhos;
Show Properties
Mostra as propriedades dos membros;
Suppress Missing
Rows/Columns
Omite linhas e colunas com valores nulos;
Swap Axes
Drill Buttons
Permite a inversão da posição de colunas e
linhas;
Habilitam a navegação, de diferentes
maneiras, nas linhas e colunas;
Drill Through
Mostra o nível mais baixo de uma linha, com
todas suas propriedades;
Show Chart
Mostra o gráfico configurado;
Chart Config
Permite configuração do gráfico;
Configure Print Settings
Permite configuração da impressão do
relatório;
Print to PDF
Emite um relatório com a consulta no formato
PDF;
Export to Excel
Exporta a consulta para um arquivo Excel (do
pacote Microsoft Office).
Para manipular a ferramenta Mondrian, basta acessar a URL do servidor em um browser
seguidos da sua respectiva porta, o nome da aplicação (mondrian), a página padrão (testpage)
e o parâmetro query que identifica o nome do arquivo JSP com a consulta. Por exemplo, no
caso do sistema de vídeo-locadora, a URL seria (servidor utilizando a porta 8080):
http://localhost:8080/mondrian/testpage.jsp?query=locadora.
Pronto. Após a execução dos passos anteriores, a ferramenta Mondrian está
funcionando, manipulando consultas OLAP em um DW.
Realizando Consultas para Extração de Dados
Primeiramente iremos implementar através da ferramenta Mondrian uma consulta na
linguagem MDX (Multidimensional Expressions). Para isso, inicialmente deve ser selecionado o
botão que possui as letras MDX, onde será exibido um editor de texto onde deve ser digitada
a consulta a ser realizada. Em nosso estudo de caso, criaremos uma consulta que irá buscar
no DW as informações sobre quantidade de locação e valor na tabela de fatos, enquanto trás
a dimensão denominada vídeo nas linhas da tabela. Essa consulta está apresentada na Figura
4.
Figura 4. MDX referente a consulta no DW da vídeo-locadora
Após a inserção e execução da devida consulta, foi obtido o retorno de uma tabela,
apresentada na Figura 5, na qual se pode visualizar uma dimensão (Vídeo) e duas medidas
(quantidade de e valor), configuradas no Schema Mondrian e selecionadas na consulta MDX
(Figura 4). As medidas são valores manipulados sobre a tabela de fatos (fact table) de acordo
com as suas dimensões.
Figura 5. Tabela do Mondrian com uma dimensão e medidas
Os botões logo acima da tabela correspondem às funcionalidades da ferramenta
Mondrian, que correspondem, dentre outras funcionalidades, às operações OLAP. Dentre
essas, está compreendida a operação drill position que na implementação apresentada na
Figura 5 (em vermelho) é executada sobre o membro “Infantil” da dimensão denominada
“Video”, exibindo os filhos (childrens) deste membro.
Gerando Gráficos
Um outro importante recurso da ferramenta é a geração de gráficos que se refere à
tabela em exibição naquele momento. Este recurso possui uma robusta configuração, ou seja,
é possível alterar inúmeras propriedades do gráfico. Isto se explica pelo fato de os dados em
exibição variarem de acordo com o número de medidas ou dimensões. A Figura 6 apresenta
um gráfico gerado através do botão selecionado em azul na Figura 5 para a consulta
realizada na Figura 4.
Figura 6. Gráfico de pizza referente apenas a dimensão Video, por Gênero.
A geração de gráficos pela ferramenta Mondrian corresponde a um recurso com várias
possibilidades. Há um menu de configurações para a geração destes gráficos, conforme
Figura 7. Neste menu é possível selecionar o tipo de gráfico, dentre diversos, no exemplo,
utilizou-se no formato de pizza. É possível também definir um título ao gráfico, suas
dimensões, suas fontes, suas cores, dentre outras opções.
Figura 7. Configurações de gráficos.
Conclusão
Nos dias atuais, as organizações estão se desenvolvendo de forma acelerada,
aumentando o volume de suas bases de dados. Consequentemente, eles estão agregando
valores e conceitos a essas bases de dados. Assim, as tecnologias citadas neste trabalho, Data
Warehouse e OLAP, são pertinentes e necessárias para o processamento de grandes volumes
de informações, para apoiar as tomadas de decisões nas organizações.
Uma ferramenta que engloba estas tecnologias juntamente ao ambiente Web é o projeto
Mondrian. Esta ferramenta possui o seu código aberto (open-source) desenvolvido pela
Pentaho e é considerada um destaque dentre as demais tecnologias OLAP da mesma
categoria (Web). Entretanto, pode-se afirmar que, conforme Fernandes e Kantorski (2008),
estas tecnologias ainda não estão amadurecidas nos quesitos de recursos visuais e integração,
e ainda podemos identificar a necessidade de persistência das consultas geradas.
Para uma melhor compreensão da potencialidade desta ferramenta, foi apresentado um
exemplo típico de uma vídeo-locadora, através de modelagem relacional e dimensional,
mostrando as principais funcionalidades oferecidas pela ferramenta.
Referências
BARBIERI, Carlos. Business Intelligence: modelagem e tecnologia. Rio de Janeiro: Axcel Books, 2001.
BERSON, A., Data Warehousing, Data Mining & OLAP. McGraw-Hill, USA, 1997.
BRITO, Maiquel de. Proposta de um Data Warehouse de informações acadêmicas. Novo Hamburgo: 2004.
Projeto de Diplomação (Bacharelado em Ciência da Computação) - Instituto de Ciências Exatas e
Tecnológicas, Centro Universitário Feevale, Novo Hamburgo.
FELBER, Edmilson J. W. Proposta de uma Ferramenta OLAP em um Data Mart Comercial: Uma Aplicação
Prática na Indústria Calçadista, Novo Hamburgo RS, Centro Universitário Feevale, 2005.
FERNANDES, Mikael S. KANTORSKI, Gustavo Z. Uma Ferramenta WEB para apoio à Decisão em
Ambiente Hospitalar - http://portal.ufsm.br/neuro, 3ª Conferência Ibérica de Sistemas e Tecnologias da
Informação. Escuela Superior de Ingeniería Informática – ESESI. Universidade de Vigo, Espanha, 2008.
FORTULAN, Marcos Roberto; GONÇALVES, Eduardo Vila Filho. Uma proposta de aplicação de Business
Intelligence
no
chão-de-fábrica.
São
Carlos,
SP,
2005
(Disponível
em:
www.scielo.br/pdf/gp/v12n1/a06v12n1.pdf. Acesso em: Setembro de 2007).
HARRISON, Thomas H. Intranet Data Warehouse. Tradução: Daniel Vieira. São Paulo: Berkeley Brasil, 1998.
HOKAMA, Daniele Del Bianco et al. A modelagem de dados no ambiente Data Warehouse. São Paulo, SP.
121 p. Projeto de Diplomação (Bacharelado em Sistemas de Informação) – Faculdade de Computação e
Informática,
Universidade
Presbiteriana
Mackenzie,
2004.
(Disponível
em:
meusite.mackenzie.com.br/rogerio/tgi/2004ModelagemDW.pdf. Acesso em: Setembro de 2007).
KIMBALL, Ralph; et al. The Data Warehousing Lifecycle Toolkit: expert methods for designing, developing,
and deploying data warehouses. New York: John Wiley & Sons, 1998.
KIMBALL, Ralph; ROSS, Margy. The Data Warehouse Toolkit: The complete guide to dimensional modeling.
2. ed. USA: Wiley, 2002.
NAVATHE, S. e ELMASRI, R.. Fundamentals of Database Systems. Addison Wesley, 3th ed., 2000.
THOMSEN, Erik. OLAP: construindo sistemas de informações multidimensionais. 2 ed.
Rio de Janeiro: Campus, 2002.