Palestra de Modelagem Dimensional, ministrada pelo Marco Garcia da Cetax Consultoria na Faculdade CFSA em São Bernardo do Campo - SP

1. Palestra sobre Modelagem Dimensional CFSA – São Bernardo do Campo - SP Cetax Consultoria e Treinamentos Maio/2009

3. Existe desde 2000 trabalhando exclusivamente com BI e DW

4. Nossos treinamentos são exclusivos sem cursos semelhantes no Brasil

5. Outros cursos são ministrados em parcerias com outras empresas do mercado ou mesmo profissionais que possuem experiência diferenciadaModelagem Dimensional

7. 15 anos de experiência em TI, sendo 9 exclusivamente com Business Intelligence e Data Warehouse.

8. Certificado pelo Kimball University nos EUA, onde teve aula pessoalmente com Ralph Kimball, um dos principais gurus do data Warehouse.

9. Vivência profissional em diversos projetos, passando por Bancos e Financeiras, Construção, Serviços, Varejo, Marketing e outros.Modelagem Dimensional

10. Fatos, Dimensões e GranularidadeIniciando a Modelagem Dimensional Fatos – medidas, métricas, acontecimentos ou valores. Dimensões – descrições, características, localidade, detalhamento. Granularidade – nível de detalhe da informação. Modelagem Dimensional

11. Objeto com características desnormalizadas: Decodes, hierarquias, rollups. Atributos da dimensão. Descrições e restrições das queries. Clausulas BY e WHERE das queries. Conjunto de descrições : Características Físicas Descrições baseados nas regras de negócios ou com significado modificado. Terminologias: Dimensões Modelagem Dimensional

12. Chaves Primarias das Dimensões. Surrogate Key Numero inteiro seqüencial, exceto em datas. Para as datas pode-se utilizar o tipo date ou um numérico representando a data, como YYYYMMDD, por exemplo. Utilizado para unir as dimensões as tabelas de fatos. A Chave natural da tabela origem é utilizada para geração da surrogate key. Benefícios: Isola o datawarehouse do sistema operacional Incrementa a performance Pode-se utilizar atributos como “Não se aplica”,”Dado a ser determinado”. Permite a integração de diversas fontes. Suporta rastrear mudanças nos dados, Slowly Changing Dimensions. Desvantagem O ETL torna-se mais complexo. Modelagem Dimensional

13. Terminologias: Tabelas Fatos Resolve os relacionamentos Muitos-para-Muitos entre as dimensões. Chave Primaria Geralmente é um subset das foreign keys. Fatos São métricas resultantes do processo de negocio ou eventos. Geralmente são numéricas. Geralmente são aditivas, mas não sempre. Modelagem Dimensional

14. Granularidade Identifica o nível de detalhe. 1 Grão por fato Nova Fato a cada novo grão Grão Atômico da mais flexibilidade Degenerated Dimension (DD) Sem correspondente na Dimensão Chave Operacional Mais sobre tabelas Fatos Modelagem Dimensional

15. Terminologia - Dimensional Model ou Star Schema 1 Fato por processo de negocio Benefícios Fácil entendimento Performance Facilita mudanças Modelagem Dimensional

16. Resista ao Snowflaking Modelagem Dimensional

17. Star X Snowflakes Models Modelagem Dimensional

18. Somente Dados sumarizados Soluções Departamentais Sem foco na Empresa, tático mas não estratégico Não integrável Não escalável Pode ser implementada com SQL e Views sobre um modelo relacional Fabulas sobre Modelagem Dimensional Modelagem Dimensional

19. Data WarehouseBus Architecture Modelagem Dimensional

20. EnterpriseData Warehouse Bus Matrix Modelagem Dimensional

21. Modelagem Dimensional no Ciclo de Vida do DW Modelagem Dimensional

22. Usando Slowly Changing Dimensions Atributos da Dimensão que se alteram Clientes que tenham filhos, mudam de cidade, casam, separam, etc. Para cada atributo da dimensão é necessário identificar uma estratégia para capturar a mudança Pode-se mesmo utilizar uma combinação de estratégias em uma única dimensão. Modelagem Dimensional

23. Técnicas Fundamentais para Slowly Changing Dimensions Type 1 : Sobrescreve Corrige enganos ou remove dados antigos Type 2 : Cria nova linha na dimensão Divide os dados históricos Type 3 : Adiciona um atributo para tratar o dado antigo. Trabalha com 2 informações na mesma linha de dados, dado anterior e dado atual Modelagem Dimensional

25. Podemos ter pelo menos 3 tipos

26. Dias

27. Meses

28. HorasModelagem Dimensional

29. Dimensões de Tempo - Meses DIM_TEMPO_MES TEMPO_MES (PK) DESC_CURTA_MES DESC_LONGA_MES DESC_CURTA_MES_ANO DESC_LONGA_MES_ANO DESC_ANO_MES NUM_ANO ULTIMO_DIA_MES ULTIMO_DIA_UTIL_MES Exemplos de valores : 101 FEV Fevereiro FEV/2007 Fevereiro/2007 2007/02 2007 28/02/2007 28/02/2007 100 JAN Janeiro JAN/2007 Janeiro/2007 2007/01 2007 31/01/2007 31/01/2007 Modelagem Dimensional

30. Dimensões de Tempo - Horas DIM_TEMPO_HORAMIN TEMPO_HHMM (PK) NUM_HORAS NUM_MINUTOS DESC_HHMM DESC_PERIODO DESC_HHMM_INICIO DESC_HHMM_FINAL Exemplos de valores : 1 0 0 00:00 Madrugada 00:00 05:59 2341 23 40 23:40 Noite 18:00 23:59 1013 10 12 10:12 Manhã 06:00 11:59 Modelagem Dimensional

31. Perguntas ? Visitem nosso site e conheçam melhor nossos serviços e treinamentos. www.cetax.com.br Muito Obrigado ! Marco Garcia ( mgarcia@cetax.com.br ) Finalizando Modelagem Dimensional