Resumo

Este documento trata do conceito, tcnicas e tecnologias relacionadas ao Business Intelligence. Aps uma introduo aos conceitos e h um pouco da histria do Business Intelligence no primeiro captulo, so explorados as tcnicas e tecnologias do captulo 2 ao 4. No captulo 5, chegamos tendncia atual do Business Intelligence que o chamado Self-Service BI. No sexto e ltimo captulo apresentada uma concluso, levando em considerao as perspectivas tecnolgicas e gerenciais.

Sumrio
1- Introduo ..................................................................................... 3 1.1 - Um pouco da histria e conceitos de Business Intelligence ..................... 3 2 - Data Mining ................................................................................ 7 2.1 - Definio.................................................................................. 7 2.2 - Etapas do processo..................................................................... 7 2.2.1 - Setup das bases de dados........................................................ 8 2.2.2 - Minerao dos dados .............................................................. 8 2.2.3 - Validao dos resultados ......................................................... 8 2.3 - Data Minings e sua aplicabilidade em BI............................................ 9 3 - Data Warehouse ............................................................................10 3.1 - O que ?.................................................................................10 3.3 - Processos ...............................................................................12 3.4 - Vantagens e Desvantagens ..........................................................13 4 OLAP.........................................................................................15 4.1 Definio ................................................................................15 4.2 Conceito.................................................................................15 4.2.1 Cubo ................................................................................16 4.2.2 Dimenso ..........................................................................16 4.2.3 Medidas ............................................................................17 4.3 - Por que to rpido? .................................................................17 4.4 - Arquitetura...............................................................................17 4.4.1 MOLAP .............................................................................18 4.4.2 - ROLAP ..............................................................................19 4.4.3 HOLAP .............................................................................19 5 - Self-Service BI ..............................................................................20 5.1 Motivao ...............................................................................20 5.2 - Os prs e contras ......................................................................21 6 Concluses..................................................................................23 7- Referncias...................................................................................24

1- Introduo
1.1 - Um pouco da histria e conceitos de Business Intelligence
Uma definio formal e simples de Business Intelligence (BI) seria a seguinte: BI o conjunto de tcnicas que utilizam Tecnologia da Informao para auxiliar na tomada de deciso. Este conjunto de tcnicas tem como objetivo a anlise e minerao de dados, assim como gesto de desempenho e benchmarking. Na prtica, para entender Business Intelligence e suas aplicaes, precisamos entender a tomada de decises. Numa empresa, decises de negcio precisam ser tomadas a todo instante para assegurar a presena da mesma no mercado. Tais decises so tomadas mediante a um contexto de negcio, que nada mais do que o contexto interno e externo (mercado) da empresa. importante salientar que decises de negcio possuem um forte fator humano envolvido e isso torna o processo de tomada de decises menos determinstico. Com isso podemos concluir que pessoas tomam decises, e no sistemas. Sun Tzu, em seu livro A Arte da Guerra, diz que para vencer a pessoa deve deter todo o conhecimento de suas fraquezas e virtudes e, alm de tudo, as fraquezas e virtudes de seu inimigo. A falta deste conhecimento pode resultar na derrota. Trazendo este conceito para o mundo dos negcios, uma empresa precisa ter conhecimento de suas capacidades, suas fraquezas, as tendncias de mercado e, alm disso, o conhecimento sobre as empresas competidoras. No processo de aquisio deste conhecimento, surgem questes pertinentes ao contexto de mercado, teis para as tomadas de deciso. Quais so as necessidades de nossos clientes? Qual a demanda deles? O que fazemos certo? Em que pontos deixamos os clientes desejando? O que outras empresas esto fazendo parar solucionar questes recorrentes? Estas so algumas das perguntas que precisam ser respondidas para importantes tomadas de deciso, como balanceamento de produo, evoluo de produtos e mudana de estratgia de marketing, entre outras. Como mencionado anteriormente, pessoas tomam decises. Mas baseado no que se faz uma boa deciso? Informao.
3

Por toda a histria, a informao foi usada pelo homem para propagar o conhecimento, aprender e manter registro de fatos. Em suma, a informao usada pra encontrar respostas para questes que levam o homem a uma melhor compreenso do mundo a sua volta. Ento, informao sobre respostas e respostas permitem que pessoas tomem decises. E como empresrios conseguem informao? De dados. Estes provem informaes capazes de responder perguntas como as anteriormente citadas, tm muito valor e so preciosos, logo precisam ser guardados. Antes da dcada de 60, dados eram guardados em gabinetes de arquivos. Esses passaram a ser guardados em formatos de mdia como disquetes, com o advento dos computadores. Ambas as abordagens supracitadas (gabinete e mdia) eram arriscadas e difceis de gerenciar. Em 1969, Edgard Codd inventou o banco de dados, fato que revolucionou a maneira como dados eram armazenados. Porm, para popular um banco de dados era necessria muita experincia e especializao. O mundo dos negcios precisava de um modo mais fcil de popular um banco de dados. Devido a essa grande demanda, meios foram criados para ficar entre o usurio e o banco de dados, provendo o poder de insero de dados. Estes meios sugiram na dcada de 1970 e eram chamados de Aplicaes de Negcio. Ento bancos de dados vieram como uma soluo para o problema de armazenamento de dados e as aplicaes de negcio vieram como uma maneira mais fcil de inserir dados em um banco de dados. Mas e como fica o acesso? Uma primeira abordagem para tentar facilitar o acesso aos dados foi a da gerao de relatrios. A primeira tentativa acabou por no dar muito certo. Relatrios eram unidimensionais e havia um outro problema emergente: a fragmentao de dados. Extrair dados de um banco ainda era uma tarefa difcil por que esses vinham de mltiplas fontes. Uma empresa geralmente possui vrias Aplicaes de Negcio, gerindo dados de diferentes contextos. Integrar tais fontes de dados no era um processo simples. Eis que no incio da dcada de 1980 surgiram os Data Warehouses, que traziam uma soluo para a fragmentao dos dados. Os Data Warehouses tornaram o acesso e a gerncia dos dados mais fcil. Com dados acessveis e bem gerenciados eles podiam ser bem servidos Com isso inicio-se o consumo dos mesmos em grande escala.
4

Em 1981 o termo Business Intelligence foi inventado por Howard Dresner, como um termo descrito como "conceitos e mtodos para melhorar a tomada de deciso de negcio utilizando sistemas de suporte baseados em fatos". Na poca, ferramentas de BI podiam gerar relatrios e analisar dados. Com o passar do tempo novas ferramentas foram surgindo e a demanda de dados crescendo. Com o crescimento da demanda, comeou a necessidade de adquirir dados mais rapidamente e, neste ponto, Business Intelligence tornou-se tambm uma questo de desempenho. Com o advento da internet, o nmero de fontes de informao passou a crescer rapidamente. Com novas fontes, empresas queriam mais dados e os queriam na mesma velocidade. Os anos de 1990 trouxeram mais ferramentas de BI que proviam mecanismos para consulta, relatrios, anlise e apresentao de dados. Contudo, elas ainda no funcionavam bem, pois a maior parte da informao acabava em tabelas Excel, que no traziam uma boa maneira de apresentar os dados. Eventualmente, as ferramentas de BI trouxeram um novo desafio: a consistncia. As ferramentas facilitaram o acesso e este abriu caminho para mltiplas verses de dados, introduzindo mais um desafio para a gerncia dos dados. As ferramentas existentes eram muito caras e difceis de manter. Isto levou os desenvolvedores de ferramentas de BI a buscar maneiras de adicionar funcionalidades custos reduzidos. Foi neste ponto que as plataformas de BI comearam a surgir e com isso, vieram s aquisies das empresas desenvolvedoras, que acabaram nas mos de grandes empresas da rea de TI como Oracle, SAP, IBM e Microsoft. Agora, existiam mais ferramentas e mais funcionalidades. Business Intelligence estava consolidado no mercado e tornou-se uma prioridade para o mundo dos negcios. Ainda assim, havia algo errado. As pessoas de negcio ainda no conseguiam obter respostas para suas decises. O problema no eram as pessoas, mas sim as pessoas acessando os sistemas de BI. O problema era que as ferramentas no eram intuitivas, logo o acesso a elas era difcil. Quando pessoas de negcio tm problemas com sistemas elas chamam

quem os mantm: o departamento de TI, desviando-os de suas tarefas de desenvolvimento para prestar suporte ao usurio. Business Intelligence, neste ponto, tornou-se uma questo de usabilidade. Era sobre transformar os dados em formatos que pudessem ser facilmente consumidos por pessoas de negcio, justamente por que so eles quem precisam dos dados. BI precisava ser focado nas pessoas, porque pessoas tomam decises. O novo desafio do Business Intelligence agora tornar o acesso aos dados mais amigvel.

2 - Data Mining
2.1 - Definio
Tomando-se por base a conjuntura do mundo contemporneo, onde tem-se um enorme volume de dados em crescimento exponencial, faz-se claramente indispensvel a utilizao de algum recurso que possibilita aos interessados obter o mximo proveito de toda esta informao. Surge da um dos principais pilares do processo de Business Intelligence: O Data mining. De acordo com Usama Fayyad, Ph.D. em Cincia da Computao pela Universidade de Michigan, Data Mining (ou Minerao de dados) assim pode ser definida: Data Mining o processo no-trivial de identificar, em dados, padres vlidos, novos, potencialmente teis e, por fim, compreensveis. Fayyad (1996) Em outras palavras, trata-se de um processo analtico de dados, com vasta utilizao de tcnicas de estatstica, inteligncia artificial, recuperao da informao e reconhecimento de padres, que objetiva delinear (evidenciando ou extraindo tais padres) estruturas de conhecimento, de modo a conduzir, do melhor modo possvel, as decises de negcio.

2.2 - Etapas do processo

Pode-se dizer que o processo de Data Mining consiste de trs etapas: setup das bases de dados, minerao dos dados e validao dos resultados. Segue abaixo, uma melhor explicao de cada uma destas etapas. Este artigo no ir aos pontos mais fundos destes conceitos por se tratar de um artigo sobre Business Intelligence, e no estruturas de banco de dados e afins.

2.2.1 - Setup das bases de dados

Primeiramente, necessrio, no processo de Data Mining, a seleo de uma amostra de dados, que venham a ser limpas e pluralizadas. Entenda-se por limpeza a manuteno da consistncia dos dados, preenchimento de informaes, remoo de redundncias, entre outros; e por pluralizao o ato de valorizar os dados genricos em detrimento dos dados mais especficos (uma vez que dados especficos tm um padro muito pontual, que no pode ser compartilhado). Da, tem-se o surgimento dos Data Warehouses. Pode, ainda, ocorrer a criao de um conjunto de treino (da rede neural do Data Mining) e um conjunto de testes, para verificao da preciso dos algoritmos.

2.2.2 - Minerao dos dados

Nesta fase, utilizam-se algoritmos de clusterizao, classificao, regresso e associao, de modo a efetuar o agrupamento de dados de certa forma similares, verificando o padro que seguem, e o relacionamento entre suas variveis.

2.2.3 - Validao dos resultados

Nesta etapa, observa-se se os padres encontrados na amostra selecionada podem ser extrapolados para um conjunto maior de dados no qual se esteja interessado, o que no necessariamente ir ocorrer. Sendo este o caso, deve-se reavaliar a eficcia da etapa de setup. Tendo as etapas acima sido cumpridas com sucesso, o processo de data mining agora torna possvel uma anlise e interpretao muito mais eficiente dessas informaes. Aps tanto, pode-se dizer que uma enorme massa de dados tornou-se conhecimento, chave para decises bem tomadas.

2.3 - Data Minings e sua aplicabilidade em BI

Conhecimento poder. Assim sendo, tendo em mos os resultados (vlidos) de um data mining, empresas podem focar melhor seus ataques comerciais, por exemplo. Imaginemos um mercado que possua um site com suas promoes. A partir do conhecimento gerado pelo data mining, o mercado pode ver, por exemplo, que sexta-feira o dia em que mais se vende um dado produto, como cerveja, e dar um destaque maior a isto. Pode ainda, classificando seu pblico-alvo, verificar que tipo de produto apetece a que tipo de pessoa, dentre outras infinitas possibilidades. Pode-se ainda verificar sua aplicabilidade em evidenciar uma nova tendncia de mercado, como, por exemplo, a queda no interesse de adultos do sexo masculino entre 22 e 40 anos por desktops, e aumento no interesse por portteis. As possibilidades so infinitas, sendo este, portanto, um investimento de retorno praticamente garantido.

3 - Data Warehouse

3.1 - O que ?
Surgido no final da dcada de 80 como um conceito criado por pesquisadores da IBM, os Data Warehouses tornaram-se possveis com o avano dos sistemas de informaes mais robustos juntamente com o aumento da necessidade de anlise de dados. Uma breve definio seria: O Data Warehouse (DW) representa o armazenamento de dados relativos s atividades de uma organizao em um sistema de informao, cujo objetivo ser auxiliar a tomada de decises de maneira segura e rpida. Sistemas tradicionais no conseguiam cumprir o objetivo de anlise dos dados com a simples gerao de relatrios. Assim, a demanda por melhores ferramentas para auxlio abriu portas para que a implementao de Data Warehouses virassem realidade. Devido possibilidade de manipular e analisar grandes volumes de dados, o Data Warehouse, hoje, o principal responsvel pelo apoio s decises das principais solues de Business Intelligence do mercado. A ferramenta mais popular para explorao de um Data Warehouse a Online Analytical Processing (OLAP), mas muitas outras podem ser usadas. Data Warehousing consiste em organizar informaes corporativas de maneira confivel, consolidada, nica e integrada. Permitindo que decises sejam tomadas embasadas em fatos concretos e no em intuies, cruzando informaes de diversas fontes, agilizando o processo e diminuindo os erros.

3.2 Caractersticas
A primeira caracterstica ser orientado a assunto, ou seja, estar orientado ao redor do principal assunto da organizao. Em contra-partida, o ambiente de negcio organizado por aplicaes funcionais, uma organizao bancria ter aplicaes para emprstimos, investimentos e seguros.

10

Outra caracterstica, talvez a mais importante, o fato que um DW deve ser integrado. A integrao mostra-se em diferentes maneiras como na conveno consistente de nomes, na forma consistente das variveis, na estrutura consistente de cdigos, nos atributos fsicos consistentes dos dados, por assim se dizer, na uniformidade da informao. O Data Warehouse , tambm, no-voltil. Permitindo apenas a carga inicial dos dados e consultas a estes dados. Aps serem integrados e transformados, os dados so carregados em bloco, para que estejam disponveis aos usurios. No ambiente operacional, ao contrrio, os dados so atualizados registro a registro, em mltiplas transaes. Essa volatilidade requer um trabalho considervel para assegurar integridade e consistncia atravs de atividades de rollback, recuperao de falhas, commits e bloqueios. No requerido esse grau de controle dos sistemas orientados a transaes. Deve ser variante no tempo. Significa que o dado em um DW representa algum momento especifico, ou seja, ele no atualizvel, ao passo que o dado em ambiente de produo atualizado de acordo com mudanas de estado. A cada ocorrncia de uma mudana, uma nova entrada criada, para marcar esta mudana.

11

3.3 - Processos

Sistemas operacionais de origem Aplicaes de negcio que capturam as transaes da empresa. Estes devem ser considerados como externos ao DW, pois se presume que tenha pouco ou nenhum controle sobre o contedo e o formato dos dados. Os sistemas de origem tambm so chamados Sistemas Legados ou OLTP (Online Transaction Processing). Data Staging Area tanto uma rea de armazenamento como um conjunto de processos, normalmente denominada de ETL (Extract Transformation - Load). Data Warehouse/Data Mart A rea de apresentao dos dados o local em que os dados ficam organizados, armazenados e tornam-se disponveis para serem consultados diretamente pelos usurios para a aplicao de anlise. Um Data Mart trata de problema departamental ou local e definido como um subconjunto altamente agregado de dados, normalmente escolhido para responder a uma questo de negcio especfica ao invs da corporao inteira.

12

Ferramenta de Acesso a Dados O ltimo componente principal do ambiente de Data Warehouse a ferramenta de acesso a dados. Por definio, toda ferramenta de acesso a dados consulta os dados na rea de apresentao do DW.

3.4 - Vantagens e Desvantagens

Vantagens:
o

Um Data Warehouse fornece um modelo de dados comum para todos as informaes de interesse, independentemente da fonte dos dados. Isto facilita quando h a necessidade para relatar e analisar as informaes. Antes de carregar os dados, as inconsistncias so identificadas e resolvidas. Simplificando bastante a elaborao de relatrios e anlise. As informaes esto sob o controle de usurios do DW, para que, mesmo se os dados do sistema-fonte removida ao longo do tempo, as informaes do armazm podem ser armazenadas com segurana por perodos prolongados de tempo. Como so separados dos sistemas de negcios, Data Warehouses recuperam dados sem prejudic-los. Podem trabalhar em conjunto com aplicaes de gesto de relacionamento com clientes (CRM), aumentando o valor das aplicaes de negcio. Facilitam os pedidos de apoio deciso, tais como relatrios de tendncias, relatrios de exceo e relatrios que mostram o desempenho real versus objetivos.

13

Desvantagens
o o

No so o ambiente ideal para dados no-estruturados. Como os dados devem ser extrados, transformados e carregados, h um elemento de latncia nos dados. Durante sua vida, Data Warehouses podem ter custos elevados. Podem ficar ultrapassados com relativa rapidez. H um custo de fornecer informaes que no so as melhores para a organizao. Muitas vezes existe uma linha tnue entre Data Warehouses e sistemas de negcio. Duplicaes de funcionalidades de alto custo podem ser desenvolvidas ou a funcionalidades desenvolvidas no DW, deveriam ter sido desenvolvidas nos sistemas.

o o

14

4 OLAP
4.1 Definio
OLAP um acrnimo para On-line Analytical Processing. Como se pode notar, o nome pomposo, porm diz muito pouco sobre o que e como esta tecnologia de suporte a tomadas de deciso. O termo On-line serve para indicar que, independente da (grande) quantidade de dados a serem analisados, o tempo de resposta de uma consulta deve ser baixssimo, possibilitando assim um grau de interatividade elevado, interatividade esta, fundamental como iremos ver no decorrer do captulo.

4.2 Conceito
Diferentemente da minerao de dados, onde os dados so extrados com o auxlio de algoritmos computacionais complexos, o foco do OLAP , em posse de uma extensa base de dados, possibilitar que o setor de negcios de uma empresa a manipule diretamente de maneira simples, concisa e rpida. O OLAP inova ao trazer um modelo de dados multidimensional, modelo este muito diferente do tradicional linha x coluna a qual estamos habituados a ver nos Sistemas de Gerenciamento de Banco de Dados (SGBDs) atuais. Justamente devido a este novo modelo que o OLAP to eficiente na tarefa em que se prope a cumprir. Pouco importa durante o processo da deciso um dado individual de um certo cliente ou de um certo produto, pois nenhum desses dados aponta uma tendncia ou um problema. O conjunto desses dados que importante. E nesse tipo de situao que o OLAP notabiliza-se. A sua natureza multidimensional favorece a analise granular e agregada de muitos dados ao mesmo tempo. Por trs do modelo multidimensional existem trs conceitos chave, conceitos estes que sero esmiuados nos prximos pargrafos.

15

4.2.1 Cubo
O cubo pode ser definido como uma estrutura capaz de analisar dados sob diferentes perspectivas de maneira rpida e eficiente. A disposio dos dados em cubos supera o problema de analisar grandes massas de dados existentes em bancos de dados bidimensionais. Pode-se pensar no cubo como uma extenso do conceito de planilhas. Em uma planilha as linhas representam uma dimenso (ms, por exemplo) e as colunas representam uma segunda dimenso (lucro, por exemplo). No cubo podemos ter duas ou mais dimenses. H que se dizer que complicado imaginar algo com mais de trs dimenses, porm lidamos com dados multidimensionais frequentemente ao emitir relatrios. Normalmente precisamos organizar a data por ano, por ms, por loja, por setor, etc.

4.2.2 Dimenso
Uma dimenso uma lista de tipos similares sob a perspectiva do usurio. Um bom exemplo seria dizer que anos, trimestres, meses, semanas, etc, formam um dimenso chamada tempo. O mesmo se aplica para pais, estado, cidade, bairro que podem formar uma dimenso chamada localizao geogrfica. Pode-se perceber que dimenses normalmente exibem um comportamento hierrquico. Tiremos novamente para exemplo a dimenso tempo. Um ano pai de trimestres, que pai de meses e assim por diante. Da mesma forma ano pode ser pai tambm de ms, fornecendo assim um grande nmero de combinaes possveis durante a criao de um relatrio. Essa hierarquia possibilita o que chamado em OLAP de drill-down e drill-up, que basicamente pode ser definido como o poder de navegar pelos nveis da hierarquia, aumentando ou diminuindo o detalhamento dos dados. As dimenses atuam como ndices para identificarmos valores dentro de um cubo.

16

4.2.3 Medidas
Cubos armazenam medidas ou valores quantitativos. Como dito

anteriormente, para podermos identificar um medida dentro do cubo precisamos de suas dimenses.

4.3 - Por que to rpido?

Mesmo com todos estes conceitos ainda no ficou claro o motivo pelo qual abordagem multidimensional do OLAP to eficiente. Como foi dito acima, cubos armazenam medidas, medidas estas que representam valores que na maioria das vezes foi pr-consolidado na base de dados. Mas o que isso significa? Como os valores, em quase sua totalidade j foram previamente calculados, fazer uma consulta que me retorne o nmero de alunos, por nvel (graduao/psgraduao), por curso, tipo do curso caso seja de graduao (bacharelado/licenciatura/etc), por situao da sua matrcula um simples acesso as clulas do cubo indexadas pelas dimenses adequadas. H que se dizer que existe um motivo para nem todos os valores serem prcalculados: o tamanho fsico (em disco) ocupado pelo cubo seria muito grande, devido ao grande nmero de dimenses existentes. Para decidir qual campo ser consolidado de antemo, vrios fatores devem ser levados em considerao como, por exemplo, o tamanho ocupado pela agregao ou o custo de atualizar as clulas quando o banco de dados for atualizado.

4.4 - Arquitetura
Ferramentas OLAP foram criadas baseando-se no modelo cliente-servidor. importante frisar que, em teoria, as duas partes podem ser distribudas

17

separadamente, podendo assim o usurio utilizar o cliente de um fabricante e o servidor de outro. O servidor tem que ser capaz de aceitar diversas conexes de diversos usurios simultaneamente sem comprometer a integridade dos dados (ou seja, bloquear recursos do cubo quando necessrio) e fornecer confidencialidade (permissionamento, etc.). Dependendo de como o servidor armazena os dados ele pode ser classificado de 3 maneiras: MOLAP (Multidimensional OLAP), ROLAP (Relational OLAP) ou HOLAP (Hybrid OLAP).

4.4.1 MOLAP
a forma clssica do OLAP e muitas vezes chamado apenas de OLAP. Esse tipo de servidor armazena os dados numa estrutura multidimensional otimizada. Devido a este fato necessrio executar uma tarefa conhecida como processing que consiste em pr-computar valores e armazen-los no cubo para uso futuro.

Vantagens:
o

Consultas mais rpidas devidas a estrutura prpria para o tipo de operao sendo realizado, indexao e cache. Menor utilizao de espao em disco devido aos algoritmos de compresso utilizados.

Desvantagens:
o

O processing pode demorar muito tempo se uma quantidade muito grande de dados tiver que ser processada (pode ser contornado se utilizarmos um processo incremental depois da primeira carga) Algumas implementaes desse tipo so suscetveis a um fenmeno conhecido como database explosion, que significa, basicamente, que o banco de dados comea a consumir muito espao em disco devido a certas circunstncias (nmero elevado de dimenses, por exemplo)

18

4.4.2 - ROLAP
Esse tipo de servidor guarda os dados em um banco de dados relacional e gera consultas para calcular as informaes apropriadas quando o usurio as requisita. bem verdade que mesmo o ROLAP usando um banco de dados relacional para armazenar os dados, a modelagem de suas tabelas tem que ser cuidadosamente elaborada (utiliza-se o conceito de star-schemas) impossibilitando assim que um banco planejado para uso convencional (Online Transaction Processing) funcione como repositrio OLAP.

Vantagens:
o

Muitos consideram o ROLAP mais escalvel (lida melhor com um maior nmero de informao) Pode ser acessado por qualquer ferramenta de reporting que suporte SQL Menor tempo de ETL Consultas so mais lentas devido a estrutura de dados utilizada. Tabelas de agregao devem ser criadas manualmente (mais cdigo para ser mantido)

Desvantagens:
o o

4.4.3 HOLAP
Tentativa de unir o melhor dos mundos MOLAP e ROLAP. Armazenando dados de agregao em um backend MOLAP e dados detalhados/descritivos num backend ROLAP, o servidor utiliza a melhor caracterstica de cada estrutura de dados de forma tima baseado na consulta requisitada.

19

5 - Self-Service BI
5.1 Motivao
Existem muitas instituies que so dependentes de sistemas de informao especficos que as auxiliam em sua gerncia. Na maioria dos sistemas de informao, nem todas as consultas necessrias aos analistas de negcio esto cobertas, criando a necessidade de criao de consultas ad hoc. O problema da gerao de consultas ad hoc que analistas de negcio geralmente no possuem capacidade tcnica para desenvolver consultas ao banco de dados, o que acaba resultando numa requisio de desenvolvimento de consulta para a equipe de Tecnologia da Informao da instituio. Parte da equipe de TI, que possui as capacidades tcnicas para o desenvolvimento de uma consulta acaba por ser desviada de suas atividades de desenvolvimento e manuteno do Sistema para criar a consulta. O mesmo ocorre com requisies de relatrios. Alm da reduo na produtividade, notado tambm um problema mais grave, que relacionado ao tempo levado para a gerao das consultas pela equipe de TI. A demora do desenvolvimento das consultas pode atrasar a anlise dos dados e comprometer uma tomada de deciso. A demora, muitas vezes ocorre por falta de conhecimento profundo do domnio de negcio por parte dos desenvolvedores. Geralmente, analistas de negcio possuem um conhecimento muito maior do domnio do que os desenvolvedores e muitas vezes numa especificao de consulta podem haver termos e regras de negcio que so mal interpretadas por parte dos desenvolvedores, levando a dados errneos ou imprecisos que conseqentemente causam retrabalho no desenvolvimento da consulta. Tendo em vista tais desvantagens, podemos concluir que ao adicionarmos a capacidade dos prprios analistas de negcio produzirem suas consultas ad hoc, teremos ganhos na produtividade, tanto no setor de TI quanto no setor de Gesto, com a gerao de consultas e relatrios mais rpidas e precisas, devido ao maior conhecimento do domnio pelo analista de negcios e uma menor interrupo da equipe de TI. Neste ponto, entra o conceito de Self-Service BI.
20

5.2 - Os prs e contras

Ser menos interrompido para criar consultas e relatrios o sonho dourado de qualquer equipe de TI. Ter poder e acesso total e direto aos dados tambm o sonho dourado de qualquer analista de negcio. Nesta hora conveniente lembrar da frase "grandes poderes trazem grandes responsabilidades". Qualquer equipe de TI sabe que muito poder na mo de muitos usurios no muito bom. Usurios com muito poder acabam por ter muitas responsabilidades de gerar as informaes e relatrios que precisam para realizar seus trabalhos. A verdade que a maioria dos usurios no quer esta responsabilidade e nem parte de seu trabalho t-la. Uma pesquisa[1] mostra que a maior parte dos relatrios gerados so, na verdade, personalizaes pontuais de uma quantidade pequena de temas, alm disso, so usados uma quantidade mnima de vezes e acabam por ficarem esquecidos, consumindo espao desnecessrio em disco. A grande quantidade de relatrios parecidos gerados pelos usurios torna muito difcil a manuteno e gerncia dos mesmos, reduzindo a usabilidade do sistema pelos prprios usurios, caindo no que se chama de reporting chaos. Uma pesquisa mais aprofundada revela que 80% dos usurios apenas consomem informaes geradas pelos 20% restantes dos usurios.

Estes 80% de consumidores so usurios casuais, que consistem de trabalhadores de "linha de frente", como vendedores e gerentes.

21

Podemos concluir que mesmo com toda a evoluo das ferramentas de BI, tornar a interface mais amigvel e tornar os dados mais acessveis, surgiu um novo problema gerencial, como vimos com o reporting chaos. [1] http://tdwi.org/articles/2007/10/18/the-myth-of-selfservice-bi.aspx

22

6 Concluses
A tecnologia sempre trouxe solues para os mais variados problemas que surgiram com o Business Intelligence, porm, como vimos anteriormente, nenhuma tecnologia resolve todos os problemas. O resultado da pesquisa que mostra que apenas 20% dos usurios de um sistema de BI so produtores de informao, junto com o problema do reporting chaos nos diz que existe um problema na definio de papis dos usurios no sistema. Uma empresa precisa definir regras estritas de permissionamento e acesso fazendo jus proporo de consumidores e produtores de informao. A definio de tipos de relatrios bsicos, complexos e genricos tambm deve ser levada em considerao a fim de evitar a criao desnecessria e pontual de relatrios. A criao de consultas e relatrios ad hoc pode ser atenuada pelas ferramentas de Self-Service BI, mas no iro desaparecer. Sempre haver um caso especial que est alm das capacidades do sistema e adicionar tal capacidade no justifica o alto custo de implementao, quando comparado ao custo de desenvolvimento do relatrio ou consulta. Cabe gesto da empresa balancear o uso das ferramentas de BI, alcanando o equilbrio na desempenho de seus processos que requerem acesso e controle dados.

23

7- Referncias

WIKIPDIA. In: Data Warehouse. 2010. Disponvel em: <http://pt.wikipedia.org/wiki/Data_Warehouse>. Acesso em: 15 de Julho de 2010 DW. In: Data Warehouse. 2010. Disponvel em: <http://www.datawarehouse.inf.br/dw.htm> e <http://www.datawarehouse.inf.br/Academicos/A%20PUBLICAR_DATA_WAREHOU SE_MARCELL_OLIVEIRA.pdf>. Acesso em: 15 de Julho de 2010 Soares, Ismael In: Palestra pela empresa BlueSoft, 2010 Disponvel disponvel em: <http://vimeo.com/6962558>. Acesso em: 19/07/2010 Microsoft BI TV In: History of Business Intelligence, 2010. Disponvel em: <http://www.youtube.com/watch?v=_1y5jBESLPE&feature=related> Acesso em: 19/07/2010 Eckerson, Wayne W. In: The Myth of Self-Service BI, 2010. Disponvel em: <http://tdwi.org/articles/2007/10/18/the-myth-of-selfservice-bi.aspx>. Acesso em: 20/07/2010 WIKIPDIA. In: Data Warehouse. 2010. Disponvel em: <http://pt.wikipedia.org/wiki/Data_mining>. Acesso em: 17 de Julho de 2010 Frand, Jason In:DataMining. 2010. Disponvel em: <http://www.anderson.ucla.edu/faculty/jason.frand/teacher/technologies/palace/data mining.htm>. Acesso em: 17 de Julho de 2010 WIKIPEDIA. In: Online_analytical_processing 2010 http://en.wikipedia.org/wiki/Online_analytical_processing. Acesso em: 15/07/2010 WIKIPEDIA. In: Hybrid OLAP 2010 http://en.wikipedia.org/wiki/HOLAP. Acesso em: 15/07/2010 WIKIPEDIA. In: Relational OLAP 2010 http://en.wikipedia.org/wiki/ROLAP. Acesso em: 15/07/2010 WIKIPEDIA. In: Multidimensional OLAP 2010 http://en.wikipedia.org/wiki/MOLAP. Acesso em: 15/07/2010 WIKIPEDIA. In: OLAP cube 2010 http://en.wikipedia.org/wiki/OLAP_cube. Acesso em: 15/07/2010 WIKIPEDIA. In: Hybrid OLAP 2010 http://en.wikipedia.org/wiki/HOLAP. Acesso em: 15/07/2010

24

WIKIPEDIA. In: Hybrid OLAP 2010 http://en.wikipedia.org/wiki/HOLAP. Acesso em: 15/07/2010 Pendse, Nigel. In: What is OLAP? 2010 http://www.biverdict.com/fileadmin/FreeAnalyses/fasmi.htm. Acesso em: 16/07/2010 Mailvaganam, Hari. In: Introduction to OLAP http://www.dwreview.com/OLAP/Introduction_OLAP.html. Acesso em 16/07/2010 OLAP Concil. In: http://www.geoplan-systems.de/Dokumente/OLAP-Glossary.pdf. Acesso em: 18/07/2010 Swanhart, Justin. In: http://www.mysqlperformanceblog.com/2010/07/12/intro-toolap/.Acesso em: 16/07/2010

25