Questão 2(pás 56). Explique por que é importante que uma

Questão 2(pás 56). Explique por que é importante que uma companhia aérea use um data
warehouse em tempo real.
Resposta: Dados disponibilizados em tempo real para os tomadores de decisão criaram
vantagens estratégicas sobre os concorrentes; Um data base warehouse em tempo real,
combinado a uma estratégia para seu uso no suporte a decisão, pode melhorar o uso dos
dados e oferecer benefícios financeiros gigantescos para uma organização.
As aplicações da Continental para o data warehouse em tempo real incluem:
*Gestão e contabilidade de receita
*Gerenciamento de Relacionamento com o cliente (CRM)
*Operações e folha de pagamento da equipe
*Segurança de Fraude
*Operações de vôo
Questão 2.2-2(pag. 60). Como um data warehouse se diferencia de um banco de dados?
Resposta: Enquanto um banco de dados é constituído por um conjunto de informações,
registros dispostos em estrutura regular, normalmente agrupando registros que serão
utilizados para o mesmo fim; Já o data warehouse é um conjunto de dados produzido para
oferecer suporte à tomada de decisão, é também um repositório de dados atuais e históricos
de possível interesse aos gerentes de toda a organização. Os dados normalmente são
estruturados de modo a estarem disponíveis em um formato pronto para as atividades de
processamento analítico.
Questão 2.3-2(pag. 62). Descreva os principais componentes de um data warehouse.
Questão 2.4-2(pag. 70). Como a Web influenciou os projetos de data warehouse?
Resposta: Foi criado o Data warehouse baseado na Web, possuindo 3 camadas (PC cliente,
servidor de aplicação e servidor web). No lado do cliente, o usuário necessita de uma
conexão à internet e um navegador web (de preferência com suporte a java). A internet é o
meio de comunicação entre os clientes e os servidores. No lado do servidor, o servidor web é
utilizado para administrar os fluxos de entrada e saída de informações entre o cliente e o
servidor. Ele é auxiliado por um data warehouse e por um servidor de aplicação. O data
warehouse baseado na Web oferece algumas vantagens atraentes, que incluem facilidades de
acesso, independência de plataforma e custo baixo.
Questão 2.5-3(pag. 74). Por que o processo de ETL é tão importante para os
empreendimentos de data warehousing?
Resposta: Pois o processo de ETL está no coração da parte técnica do data warehouse. O
processo de ETL é um componente integral de qualquer projeto concentrado em dados. O
processo de ETL consiste em extração (leitura dos dados de um ou mais banco de dados),
transformação (Conversão dos dados extraídos de sua forma anterior na forma em que
precisam estar para que sejam colocados em um data warehouse ou um outro banco de dados)
e carga (Colocação dos dados no data warehouse). As ferramentas de ETL também
transportam dados entre fontes e alvos, documentam como os elementos de dados (p. ex.
metadados) mudam conforme se movimentam entre fonte e alvo, trocam metadados com
outras aplicações conforme necessário e administram todos os processos e operações de
tempo de execução (como programação, gerenciamento de erros, registros de auditorias,
estatísticas). A ETL é extremamente importante na integração dos dados e também no data
warehouse. O objetivo do ETL é carregar dados integrados e limpos no warehouse. Os dados
usados nestes processos podem ser oriundos de qualquer fonte: Aplicação de main frame,
aplicação ERP, ferramenta CRM, arquivo Excel.
Questão 3.2-1(pag. 109). Defina a BA e explique seu valor estratégico.
Resposta: BA (business analyse) é uma ampla categoria de aplicações e técnicas para reunir,
armazenar e fornecer acesso aos dados com o objetivo de ajudar os usuários da empresa a
tomarem melhor as decisões comerciais e estratégicas. A BA também é conhecida como
processamento analítico, ferramentas de BI, aplicações de BI ou simplesmente BI. Ela tem
um grande valor estratégico, pois a BI está se tornando uma ferramenta estratégica para a
maioria das empresas, médias e grandes. O processo de BI geralmente, mas não
necessariamente envolve o uso de um data warehouse, ou até mesmo a construção de um.
Uma aplicação analítica é um passo avante rumo a sofisticação, em comparação ao simples
oferecimento de técnicas ou ferramentas de análise. Ela permite atividades como:
*Automatização do pensamento e, na maioria dos casos, de uma parte da tomada de
decisão de um ser humano.
*Uso comum de técnicas quantitativas complexas, como análise de regressão
multivariada, data mining, inteligência artificial e programação não-linear.
A BA, em conjunto com um software, oferece ao usuário a possibilidade de fazer consultas,
requisitar relatórios ad hoc1ou realizar análises. É possível realizar análises executando
consultas em várias camadas. Todos os bancos de dados estão vinculados, e por isso você
1
Ferramentas OLAP relacionadas são usadas para permitir que os usuários avançados façam uma consulta no
banco de dados buscando qualquer resposta, executem com visões parciais em todo o banco e realizem drill
down até o nível mais detalhado de informações transacionais. Esta consulta investigativa é direcionada aos
exploradores de informações a aos usuários avançados.
consegue pesquisar quais produtos estão sobrando no estoque de uma determinada loja. Você
pode determinar quais desses produtos normalmente são vendidos como itens populares,
baseado em vendas anteriores. Após planejar uma promoção para unir o excesso de estoque
com os produtos populares (como em um pacote de produtos), é possível explorar os dados
mais a fundo para ver onde esta promoção seria mais popular (e mais rentável). Os resultados
de sua solicitação podem vir em forma de relatórios, previsões, alertas e/ou apresentações
gráficas, os quais são difundidos entre os tomadores de decisão.
Por ter uma função excepcional no auxílio à tomada de decisão, podemos verificar o porquê a
BA tem seu valor estratégico tão elevado.
Questão 3.3-1(pag. 113). Defina OLAP e compare ao OLTP.
Resposta: Durante muitos anos, a TI concentrou-se em construir sistemas essenciais que
permitissem principalmente o processamento de transações corporativas. Tais deveriam ser
praticamente tolerantes a falhas e oferecer execução eficiente e resposta rápida. O
processamento de transações online (OLTP) ofereceu uma solução eficaz, que gira em torno
de atividades repetitivas e de rotina, usando um ambiente de banco de dados relacional
distribuído. Tanto as aplicações de OLTP quanto de sistema de suporte a gerência (MSS)
constantemente necessitam de acesso ao banco de dados. Infelizmente, tentar servir os 2 tipos
de solicitação pode ser problemático. Por isso algumas empresas preferem separar o sistema
de informação em OLTP e OLAP.
O OLTP é voltado para o processamento de transações repetitivas em grandes quantidades e
manipulações simples. O OLAP envolve o exame de muitos itens de dados (constantemente
milhares ou até milhões) em relacionamentos complexos. Além de responder as consultas dos
usuários, o OLAP consegue analisar esses relacionamentos e buscar padrões, tendências e
exceções. Em outras palavras o OLAP é um método direto de suporte a decisão.
O OLAP se diferencia do OLTP (e do data mining) no sentido em que os usuários podem
fazer perguntas específicas e abertas. Os usuários, geralmente analistas, guiam o OLTP ao
passo que o data mining busca relações usando apenas alguma orientação do analista.
Questão 3.4-1(pag. 117). Defina relatório de rotina e relatório ad hoc.
Resposta: Os relatórios de rotina são gerados automaticamente e distribuídos periodicamente
aos assinantes em listas de discussão. Os relatórios podem ser gerados diretamente de dados
operacionais (p.ex. ERP, sistemas de pontos de venda [PDV]) e/ou um data warehouse.
Os relatórios ad hoc são criados para um usuário específico sempre que necessário. Esses
relatórios podem ser semelhantes aos de rotina, mas com intervalos de tempo diferentes ou
apenas para um subconjunto de dados. Um exemplo seria fornecer uma lista de todos os
clientes que adquiriam produtos de uma empresa por mais de US$5.000 por produto, durante
janeiro de 2006.
Questão 3.5-3(pag. 120). Defina cubo e cubo de dados.
Resposta: Cubo de dados: Um cubo de dados é usado para representar dados em conjunto
com alguma medida de interesse. Embora seja chamado de “cubo”, pode ser bidimensional,
tridimensional ou com uma dimensão superior. Cada dimensão representa algum atributo no
banco de dados, e as células no cubo de dados representam medidas de interesse. Cubos de
dados oferecem a oportunidade de obter informações para suporte á decisão de maneira
eficiente. A análise de cubo permite ás pessoas realizar consultas através da busca de uma
serie de visualizações de relatórios, usando recursos de softwares OLAP, como Page-by, pivot,
classificação, filtro e drill down/up, que permitem os usuários fazerem “visões parciais” de
um cubo de dados ou analisar um cubo usando o simples clique do mouse.
Cubo: Se refere a um conjunto de dados altamente correlacionados que são organizados para
permitir que os usuários combinem qualquer atributo em um cubo (p.ex. lojas, produtos,
clientes, fornecedores) com qualquer métrica no cubo (p.ex. vendas, lucro, unidades, época) a
fim de criar diversas visões bidimensionais, ou cubos, que podem ser exibidas em uma tela de
computador.
Questão 3.6-2(pag. 123). Liste algumas ferramentas de BA avançada.
Questão 4.2-1(pag. 161). Defina data mining.
Resposta: Data mining é o termo usado para descrever a descoberta de informações em um
banco de dados. É um processo que usa técnicas estatísticas, matemáticas, de inteligência
artificial e de aprendizagem automática para extrair e identificar informações úteis e
conhecimento subseqüente de banco de dados. Antigamente, o termo era utilizado para
descrever o processo no qual padrões desconhecidos eram identificados nos dados. Entretanto
ao longo do tempo, a definição original foi modificada para incluir a maioria dos tipos de
análises (Automática) de dados. Data mining é o processo de descoberta de padrões
matemáticos em grandes conjuntos de dados, geralmente. Esses padrões podem ser regras,
semelhanças, correlações, tendências ou modelos preditivos.
Questão 4.2-4(pag. 161). Quais são as principais características do data mining?
Questão 4.3-1(pag. 173). Identifique pelo menos três dos principais métodos de data mining.
Resposta:
 Métodos estatísticos: Eles incluem regressão linear e não-linear, estimativa de ponto,
teorema de Bayes (ou seja, distribuição de probabilidade), correlação e análise de
cluster.
 Árvore de Decisão: As árvores de decisão são usadas em métodos de classificação e
agrupamento. Elas decompõem os problemas em subconjuntos progressivamente
discretos ao trabalhar de generalizações a informações cada vez mais específicas.
Uma árvore de decisão pode ser definida como uma raiz seguida de nós internos.
Cada nó, incluindo a raiz, é rotulado com uma questão. Os arcos associados a cada nó
abrangem todas as respostas possíveis. Cada resposta apresenta um resultado provável.
 Raciocínio baseado em casos: Essa abordagem usa casos históricos para reconhecer
padrões.
 Computação Neural: Redes neurais usam muitos nós relacionados (que funcionam de
maneira semelhante aos neurônios do cérebro humano). Essa abordagem examina
uma quantidade volumosa de dados históricos em busca de padrões. Assim, podemos
percorrer grandes bancos de dados, por exemplo, identificar possíveis clientes para
um produto novo ou empresas cujo perfil sugere que está indo a falência. Aplicações
neurais são comuns em serviços financeiros e fabricação.
 Agentes inteligentes: Uma das abordagens mais promissoras para recuperar
informações de banco de dados, especialmente externos, é o uso de agentes
inteligentes. Com a disponibilidade de uma vasta e crescente quantidade de
informações pela internet, encontrar a informação certa está cada vez mais difícil.

Aplicações de data mining baseadas na Web normalmente são por agentes de software
inteligente.
Outras ferramentas: Muitas ferramentas podem ser usadas para data mining, incluindo
indução de regras e visualização de dados. A melhor fonte de informação sobre o
desenvolvimento de novas ferramentas é o site do fornecedor.
Questão 4.4-5(pag. 177). Identifique alguns dos mitos sobre data mining.
Questão 4.4-6(pag. 177). Quais são alguns dos erros comuns cometidos nos projetos de data
mining?