ISCTE – ESCOLA DE GESTÃO - Universidade Técnica de Lisboa

More documents

Recommendations

Info

Lista de abreviaturas BUC Bottom-Up Computation mDC Mínimo divisor comum MDC Máximo divisor comum MMST Minimum Memory Spanning Tree MNST Minimum Number Spanning Tree MOLAP Multidimensional On-Line Analytical Processing MW Multi-Way Array OLAP On-Line Analytical Processing ROLAP Relational On-Line Analytical Processing SC Sub-Chunking ST Sub-Treeing SQL Structured Querying Language 9
1 Introdução Ao longo das últimas décadas, as nossas capacidades de gerar, recolher e coleccionar dados têm aumentado de forma significativa. A investigação crescente na área das tecnologias de informação e sistemas de bases de dados desde a década de 70, associada ao custo cada vez menor e consequente vulgarização dos recursos de hardware, tornou prática relativamente comum o armazenamento de diferentes tipos de dados em estruturas relacionais. Consequentemente, a maioria das organizações começou a manter dados sobre os seus eventos, actividades e clientes, tais como inventários, históricos de vendas, fichas de clientes, dados sobre o mercado, entre outros. O facto de efectuar esta armazenagem pode ser convertido numa vantagem competitiva, desde que os dados sejam analisados criteriosamente e com rigor, por forma a extrair deles informação útil. Porém, a quantidade de dados acumulados atingiu grandes dimensões e cresceu muito rapidamente, pelo que excedeu a capacidade humana para os compreender e analisar. Por esta razão, as decisões não eram realmente tomadas com base na informação oculta nas bases de dados, dando origem a uma situação designada como ―data rich but information poor‖ [Han2001a]. Assim sendo, as exigências do mundo moderno e em constante mudança levaram à criação de várias técnicas e ferramentas para auxiliar os indivíduos encarregues das tomadas de decisão nessa tarefa. A partir da década de 80, a área das tecnologias de informação verificou novamente um grande crescimento, com a adopção generalizada do modelo relacional e a intensificação da investigação na área das bases de dados, nomeadamente a nível dos modelos de dados e de bases de dados orientados a aplicações e/ou fins específicos. Devido ao surgimento e expansão da Internet, a investigação nesta área passou a focar igualmente temas relacionados com a distribuição, partilha de dados e a heterogeneidade das bases de dados. Surgiram, assim, sistemas sofisticados de apoio à decisão que permitiram às organizações agilizar e tornar mais eficiente o processo de tomada de decisões com base nos dados armazenados. O termo datawarehousing refere-se exactamente a um conjunto de tecnologias de suporte à decisão que possibilitam a análise da informação oculta pela quantidade de dados. Como as bases de dados operacionais estão organizadas no sentido de optimizar o uso diário e normalmente é necessária a consolidação de dados de diferentes fontes para fins de suporte à decisão, as datawarehouses são preferidas em relação às bases de dados correntes pelo facto de conterem registos históricos que agregam dados de diferentes fontes. Este tipo de repositório pode ser implementado sobre os sistemas de gestão de base de dados relacionais, recorrendo a extensões de SQL e métodos próprios para implementar as operações necessárias de forma eficiente. Porém, existe um outro tipo de data warehouses que implementam o modelo de dados multidimensional, no qual os dados são representados na forma de um cubo, implementados em estruturas especiais (por exemplo, arrays). Independentemente do tipo de implementação, um aspecto fulcral na análise de dados organizados segundo o modelo multidimensional é a computação eficiente de agregações segundo várias dimensões do cubo, ou seja, a computação dos vários cubóides que compõem um cubo. Os algoritmos concebidos 10
Page 1 and 2: Algoritmos para a Geração de Hipe
Page 3 and 4: Resumo A tecnologia OLAP permite a
Page 5 and 6: Índice Lista de figuras ..........
Page 7 and 8: Lista de figuras Figura 1 - Represe
Page 9: Lista de tabelas Tabela 1 - Volume
Page 13 and 14: Multi-Way; a secção 4 apresenta o
Page 15 and 16: exemplo anterior, a tabela de dimen
Page 17 and 18: Dado um conjunto de dimensões, é
Page 19 and 20: que faria com que cada ponto (x, y)
Page 21 and 22: Tabela 7 - Cross table para as vend
Page 23: Figura 5 - Malha de combinações p
Page 26 and 27: Por exemplo, no nível 2 da malha t
Page 28 and 29: neste caso, o critério consiste em
Page 30 and 31: de malha de procura proposto pelo a
Page 32 and 33: tenha sido percorrido. Se o array e
Page 35 and 36: Diferentes ordenações de dimensõ
Page 37 and 38: enquanto a célula com o endereço
Page 40 and 41: Figura 20 - MNST para o cubo C [Tam
Page 42 and 43: adicionado ao chunk 12 segundo D0,
Page 44 and 45: Os resultados mostram que o algorit
Page 46 and 47: Como as dimensões partilhadas pode
Page 48 and 49: Multi-Way. Além do algoritmo propo
Page 50 and 51: facilmente seleccionados para cálc
Page 52 and 53: acarreta forçosamente uma carga a
Page 54 and 55: Tabela 10 - Plano de testes Teste N
Page 56 and 57: Uma vez que as restantes implementa
Page 58 and 59: em relação ao original mas uma de
Page 60 and 61:
As figuras 35 e 36 mostram o efeito
Page 62 and 63:
Por fim, o gráfico da figura 38 mo
Page 64 and 65:
5 Balanço final O objectivo do pre
Page 66:
[Zhao1997] Zhao, Yihong; Prasad M.
show all

ISCTE – ESCOLA DE GESTÃO - Universidade Técnica de Lisboa

Create successful ePaper yourself

Delete template?

Save as template?