ISCTE – ESCOLA DE GESTÃO - Universidade Técnica de Lisboa

More documents

Recommendations

Info

Figura 3 – Exemplo de um modelo multidimensional [Chanduri1997] A operação de roll-up permite realizar agregações ao subir na hierarquia de uma dimensão. Tomando a dimensão Cidade definida na figura 3, um exemplo de uma operação de roll-up será aquela que agrega os dados subindo na hierarquia do nível cidade para o nível país. Este tipo de operação pode também ser conseguida através da remoção de dimensões, que na prática tem o mesmo efeito de agregação dos dados em torno das dimensões que não são removidas. A operação de drill-down é inversa à operação de roll-up, permitindo passar de um nível de menor detalhe para um nível de maior detalhe.Tomando a dimensão Produto na figura 3, um exemplo de uma operação de drill-down seria aquela em que se passasse do nível de trimestre para o nível de mês. À semelhança do que se verifica para a operação de roll-up, a operação de drill-down pode ser conseguida adicionando dimensões ao cubo, no sentido do maior detalhe permitido pela operação. As operações de slice e dice correspondem a acções de selecção por parte do utilizador. Enquanto a primeira corresponde à selecção de dados do cubo tendo em conta apenas uma dimensão, a segunda corresponde à selecção de dados por mais que uma dimensão. O resultado de qualquer uma das operações é o subcubo correspondente aos critérios enumerados. No exemplo dado na figura 3, é possível fazer slice e dice aos dados de modo a obter uma tabela que apenas contém os valores referentes à dimensão cidade e ao dia de venda de um determinado produto. A operação de pivoting é uma técnica de visualização em que os eixos do cubo são rodados de forma a possibilitar outra perspectiva dos dados. O significado desta operação é melhor entendido se se visualizar o modelo multidimensional da figura 3 representado numa folha de cálculo em que cada linha corresponde a uma venda, representando cada coluna uma dimensão e a última coluna o valor da venda [Chanduri1997]. O valor contido em cada célula representa o valor agregado de uma determinada medida (neste caso, o valor de vendas) quando a primeira dimensão tem o valor x e a segunda dimensão tem o valor y. Seguindo o exemplo da figura 3 e assumindo que consideramos apenas as dimensões cidade e ano, então o eixo x representa todos os valores possíveis de cidade e o eixo y representa todos os valores possíveis de ano. Consequentemente, o ponto (x, y) representa o valor agregado de vendas para a cidade x no ano y. A operação de pivoting permite trocar os eixos x e y, o 17
que faria com que cada ponto (x, y) passasse a representar o valor agregado de vendas para o ano x na cidade y. Além das mencionadas acima, existem outras operações OLAP oferecidas em sistemas comerciais, tais como o drill-through ou o drill-cross, que resultam da combinação de algumas das operações anteriores. 2.2 O operador DATA CUBE Os utilizadores típicos de sistemas de apoio à decisão estão mais interessados em extrair informação dos dados do que propriamente em visualizá-los, o que faz com que as interrogações que realizam exijam agregação dos dados, na maior parte dos casos sobre várias dimensões. O uso das funções de agregação existentes no SQL (group-by e union) traz alguns problemas que serviram de motivação para a concepção do operador DATA CUBE, destacando-se desses problemas o cálculo de totais para operações de roll-up e de subtotais para operações de drill-down. A apresentação de resultados sob a forma de cross-tables, que são tabelas que expressam a relação entre os valores apresentados nas linhas e os valores apresentados nas colunas, também não é facilitada recorrendo às funções de agregação nativas de SQL, uma vez que estas tabelas mostram o resultado de várias operações, como o total, o total das colunas e o total das linhas [Gray1997]. A tabela 3 mostra uma organização típica dos dados numa aplicação OLAP, em que os agregados são cada vez mais finos e em cada nível é gerado um subtotal. Tabela 3 – Roll-up das vendas por modelo, ano e cor adaptado de [Gray1997] Marca Ano Cor Vendas por modelo por ano por cor Chevy 1994 Preto 50 Branco 40 1995 Preto 85 Branco 115 Vendas por modelo por ano 90 Vendas por modelo Porém, a representação desta tabela não é relacional visto que existem células vazias, inviabilizando assim a hipótese de funcionarem como identificadores unívocos (chaves). Para obviar este problema, Chris Date recomendou a criação de 2 n colunas de agregação para um roll-up de n elementos [Gray1997], obtendo-se assim a tabela 4. 200 290 18
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 and 10: Lista de tabelas Tabela 1 - Volume
Page 11 and 12: 1 Introdução Ao longo das última
Page 13 and 14: Multi-Way; a secção 4 apresenta o
Page 15 and 16: exemplo anterior, a tabela de dimen
Page 17: Dado um conjunto de dimensões, é
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.

ISCTE – ESCOLA DE GESTÃO - Universidade Técnica de Lisboa

Create successful ePaper yourself

Delete template?

Save as template?