![\"OLAP\"](\"https:\/\/dhg1h5j42swfq.cloudfront.net\/2021\/05\/18173509\/image-430.png\")
Ol\u00e1, Estrategistas. Tudo bem com voc\u00eas?<\/p>\n\n\n\n
A disciplina de Tecnologia da Informa\u00e7\u00e3o<\/strong> assusta qualquer concurseiro, n\u00e3o \u00e9 mesmo?<\/p>\n\n\n\n Hoje em dia ela est\u00e1 presente em diversas \u00e1reas, como a fiscal e a policial, n\u00e3o sendo mais cobrada apenas em concursos espec\u00edficos da \u00e1rea da tecnologia.<\/p>\n\n\n\n Por n\u00e3o ser t\u00e3o comum em certames p\u00fablicos, ela acaba se tornando um pouco complicada, uma vez que n\u00e3o est\u00e1 no dia a dia do estudante, como as disciplinas de Direito. Mas estamos aqui justamente para ajud\u00e1-lo a entender melhor este tema.<\/p>\n\n\n\n O artigo de hoje \u00e9 sobre um assunto bem recorrente em provas de TI, o OLAP<\/span><\/strong>. Desse modo, dividiremos o nosso estudo em alguns t\u00f3picos, como podemos ver abaixo:<\/p>\n\n\n\n O OLAP <\/strong>(On-Line Analytical Processing \/ Processamento Anal\u00edtico On-line) \u00e9 uma importante ferramenta utilizada para realizar an\u00e1lises<\/span><\/span><\/strong> em grandes quantidades de dados, geralmente armazenados em Data Warehouses, sendo comumente utilizado em modelos dimensionais<\/span><\/strong>.<\/p>\n\n\n\n Esta ferramenta \u00e9 muito aplicada no ambiente empresarial<\/strong>, sendo que, atrav\u00e9s da sua utiliza\u00e7\u00e3o, \u00e9 poss\u00edvel realizar o fornecimento de informa\u00e7\u00f5es a respeito do comportamento dos neg\u00f3cios do usu\u00e1rio<\/strong>, podendo identificar tend\u00eancias <\/strong>do mercado, condutas dos clientes, entre outras vantagens.<\/p>\n\n\n\n A an\u00e1lise multidimensional<\/span><\/strong> \u00e9 a grande caracter\u00edstica do OLAP. Mas o que isso quer dizer? Bom, este tipo de an\u00e1lise \u00e9 baseado em cubos<\/span><\/strong> de informa\u00e7\u00f5es, na qual \u00e9 poss\u00edvel que sejam realizados estudos por meio de diferentes vari\u00e1veis (dimens\u00f5es)<\/strong>, simultaneamente. Vamos ilustrar? Observe a figura abaixo:<\/p>\n\n\n\n As informa\u00e7\u00f5es <\/strong>do banco de dados s\u00e3o distribu\u00eddas <\/strong>em dimens\u00f5es<\/strong> (Tempo, Regi\u00e3o e Produto), dentro de um cubo<\/strong>. Desse modo, por exemplo, atrav\u00e9s do OLAP, \u00e9 poss\u00edvel analisar os dados das vendas de determinado produto P1<\/strong>, na regi\u00e3o R3<\/strong>, durante o per\u00edodo de tempo T2<\/strong>.<\/p>\n\n\n\n Vamos dar nomes <\/strong>a essas vari\u00e1veis, de modo a clarear o racioc\u00ednio. Suponha-se que determinada empresa<\/strong>, que iniciou suas opera\u00e7\u00f5es em 2018 <\/strong>e est\u00e1 em opera\u00e7\u00e3o atualmente<\/strong>, comercialize os seguintes produtos<\/strong>: caminh\u00f5es, carros, motos e bicicletas<\/strong>, sendo que ela realiza vendas em diversas regi\u00f5es <\/strong>do Brasil, como a regi\u00e3o Sul, Norte, Nordeste e Sudeste<\/strong>. Assim, atrav\u00e9s da an\u00e1lise por meio do OLAP, \u00e9 poss\u00edvel identificar quantos carros <\/strong>foram vendidos na regi\u00e3o Nordeste <\/strong>no ano de 2019<\/strong>, de maneira f\u00e1cil e r\u00e1pida.<\/p>\n\n\n\n Mais adiante explicaremos os diversos tipos de opera\u00e7\u00f5es que podem ser realizadas utilizando o cubo de dados.<\/p>\n\n\n\n Os bancos de dados tradicionais<\/strong> tamb\u00e9m possuem suporte para o processamento de transa\u00e7\u00f5es<\/span> <\/strong>de um neg\u00f3cio, sendo que, para isto, \u00e9 utilizada a ferramenta OLTP (On-Line Transaction Processing \/ Processamento de Transa\u00e7\u00f5es On-Line)<\/strong>.<\/p>\n\n\n\n O OLTP \u00e9 focado em realizar transa\u00e7\u00f5es rotineiras e cotidianas<\/span><\/strong> em tempo real<\/strong>, com muita agilidade<\/strong>, atrav\u00e9s de inser\u00e7\u00f5es, exclus\u00f5es e atualiza\u00e7\u00f5es<\/strong> de informa\u00e7\u00f5es, sendo tamb\u00e9m poss\u00edvel realizar consultas <\/strong>dos dados armazenados.<\/p>\n\n\n\n Um ponto que precisa estar fixado na mente do estudante \u00e9 que o OLTP <\/strong>\u00e9 focado em transa\u00e7\u00f5es<\/span> cotidianas e rotineiras<\/strong>, sendo processado de maneira mais r\u00e1pida<\/strong> do que o OLAP, enquanto que o OLAP \u00e9 focado em an\u00e1lises<\/span><\/strong>, de maneira a subsidiar decis\u00f5es gerenciais e estrat\u00e9gicas<\/strong> na empresa, n\u00e3o realizando altera\u00e7\u00f5es na base de dados, como o OLTP, apenas o carregamento e a consulta das informa\u00e7\u00f5es.<\/p>\n\n\n\n Al\u00e9m disso, os dados a serem analisados pelo OLTP <\/strong>geralmente s\u00e3o estruturados em bancos de dados relacionais<\/span><\/strong> com caracter\u00edsticas transacionais<\/span><\/strong>, sendo que o OLAP <\/strong>\u00e9 focado em dados estruturados em modelos multidimensionais<\/span><\/strong>.<\/p>\n\n\n\n PARA FIXAR:<\/span><\/strong><\/p>\n\n\n\n OLAP <\/span><\/strong>-> foco em an\u00e1lise<\/span><\/strong>; modelo multidimensional<\/span><\/strong>; carga e consulta<\/span><\/strong> de dados; mais lento<\/span><\/strong>.<\/p>\n\n\n\n OLTP <\/span><\/strong>-> foco em transa\u00e7\u00f5es<\/span><\/strong> rotineiras; modelo relacional<\/span><\/strong> de uso transacional; inclus\u00e3o e exclus\u00e3o<\/span><\/strong> de dados, mais r\u00e1pido<\/span><\/strong>.<\/p>\n\n\n\n O OLAP pode ser dividido de acordo com a estrutura de armazenamento dos dados<\/strong> e de acordo com a origem da consulta <\/strong>de informa\u00e7\u00f5es.<\/p>\n\n\n\n Nesta estrutura, s\u00e3o realizadas consultas multidimensionais <\/strong>diretamente em dados armazenados <\/strong>em bancos <\/strong>tamb\u00e9m multidimensionais<\/span><\/strong>, possuindo um alto desempenho<\/strong>. Al\u00e9m disso, o MOLAP possui como caracter\u00edstica a limita\u00e7\u00e3o <\/strong>da quantidade de informa\u00e7\u00f5es que pode ser analisada simultaneamente (baixa escalabilidade)<\/strong>.<\/p>\n\n\n\n J\u00e1 no ROLAP, os dados utilizados para as opera\u00e7\u00f5es multidimensionais<\/strong> est\u00e3o armazenados <\/strong>em bases de dados relacionais<\/span><\/strong>, atrav\u00e9s de tabelas formadas por linhas e colunas, possuindo um baixo desempenho <\/strong>de consulta. De maneira contr\u00e1ria ao MOLAP, n\u00e3o h\u00e1 restri\u00e7\u00f5es quanto \u00e0 quantidade de dados a ser analisada, possuindo, assim, uma alta escalabilidade.<\/strong><\/p>\n\n\n\n Esse \u00e9 o modelo h\u00edbrido de OLAP, ou seja, ele \u00e9 uma combina\u00e7\u00e3o <\/strong>dos modelos MOLAP e ROLAP,<\/strong> possuindo, simultaneamente, um bom desempenho<\/strong> em consultas, bem como uma boa escalabilidade<\/strong>.<\/p>\n\n\n\n Neste modelo, a consulta <\/strong>\u00e9 realizada por meio de uma esta\u00e7\u00e3o cliente<\/span> <\/strong>diretamente a um servidor, retornando o cubo de informa\u00e7\u00f5es solicitadas. Desse modo, o tr\u00e1fego na rede \u00e9 reduzido, melhorando o desempenho do servidor.<\/p>\n\n\n\n No WOLAP, a consulta <\/strong>\u00e9 realizada por meio de um navegador web<\/span><\/strong> a um servidor, retornando ao usu\u00e1rio o cubo de dados solicitados.<\/p>\n\n\n\n Como j\u00e1 introduzimos no in\u00edcio do artigo, o OLAP \u00e9 capaz de realizar an\u00e1lises <\/strong>atrav\u00e9s de cubos de informa\u00e7\u00f5es<\/strong> com diversas dimens\u00f5es<\/strong>.<\/p>\n\n\n\n As opera\u00e7\u00f5es <\/strong>OLAP permitem que sejam visualizados subconjuntos<\/strong> espec\u00edficos dentro do cubo de dados, ou seja, dentro do universo da base de informa\u00e7\u00f5es, sendo poss\u00edvel solicitar e receber <\/strong>apenas aqueles dados de interesse <\/strong>do usu\u00e1rio. Vamos analisar os principais tipos de opera\u00e7\u00f5es.<\/p>\n\n\n\n Esta opera\u00e7\u00e3o \u00e9 caracterizada pela fixa\u00e7\u00e3o <\/strong>de um valor <\/strong>para uma das dimens\u00f5es<\/strong>, obtendo, assim, uma fatia <\/strong>(slice em ingl\u00eas) do cubo de dados.<\/p>\n\n\n\n De modo a exemplificar esta situa\u00e7\u00e3o, vamos supor, na figura abaixo, que as vari\u00e1veis correspondem aos seguintes nomes:<\/p>\n\n\n\n T1, T2, T3 e T4 -> 2018, 2019, 2020 e 2021.<\/p>\n\n\n\n R1, R2, R3 e R4 -> Sul, Norte, Sudeste e Nordeste.<\/p>\n\n\n\n P1, P2, P3 e P4 -> Caminh\u00e3o, Carro, Moto e Bicicleta.<\/p>\n\n\n\n Desse modo, realizando a opera\u00e7\u00e3o Slice, vamos fixar o produto Carro<\/strong> da dimens\u00e3o Produto:<\/p>\n\n\n\n Assim, temos uma fatia <\/strong>do cubo, obtendo as informa\u00e7\u00f5es <\/strong>de vendas <\/strong>de carros <\/strong>durante todo o per\u00edodo <\/strong>de tempo (2018 a 2021) em todas as regi\u00f5es <\/strong>(Sul, Sudeste, Norte e Nordeste).<\/p>\n\n\n\n A opera\u00e7\u00e3o Dice \u00e9 realizada atrav\u00e9s da sele\u00e7\u00e3o de dois ou mais valores das dimens\u00f5es<\/strong>, de modo a formar um subcubo<\/span> <\/strong>de informa\u00e7\u00f5es, como podemos ver abaixo:<\/p>\n\n\n\n De acordo com o desenho acima, foi retornada a quantidade de vendas<\/strong> de motos e bicicletas<\/strong> (P3 e P4), nas regi\u00f5es Sul e Norte<\/strong> (R1 e R2), durante o per\u00edodo de 2018 e 2019<\/strong> (T1 e T2).<\/p>\n\n\n\n O Pivot realiza a rota\u00e7\u00e3o do cubo<\/strong>, de modo a alterar a posi\u00e7\u00e3o das dimens\u00f5es<\/strong>, sendo utilizado para realizar uma apresenta\u00e7\u00e3o alternativa <\/strong>das informa\u00e7\u00f5es da base de dados multidimensional, como podemos ver abaixo:<\/p>\n\n\n\n Outra importante opera\u00e7\u00e3o OLAP \u00e9 o Drill Down. Ele \u00e9 utilizado quando o usu\u00e1rio necessita de informa\u00e7\u00f5es mais detalhadas<\/strong>, sendo isto realizado atrav\u00e9s da redu\u00e7\u00e3o de granularidade<\/strong> da an\u00e1lise. N\u00e3o entendeu? Vamos exemplificar.<\/p>\n\n\n\n Vamos supor que o usu\u00e1rio n\u00e3o queira as informa\u00e7\u00f5es baseadas em anos<\/strong>, mas em meses <\/strong>(ou seja, ele quer um maior detalhamento<\/strong> das informa\u00e7\u00f5es). Desse modo, haver\u00e1 uma redu\u00e7\u00e3o <\/strong>da hierarquia da dimens\u00e3o Tempo (ou seja, redu\u00e7\u00e3o da granularidade<\/strong>). Assim, em vez de analisar o ano, ir\u00e1 ser analisado o m\u00eas, que \u00e9 um conjunto menor <\/strong>da respectiva dimens\u00e3o. Dizemos, assim, que houve a redu\u00e7\u00e3o do gr\u00e3o Tempo<\/strong>, de ano para m\u00eas, sendo poss\u00edvel diminuir ainda mais, como a an\u00e1lise por dia.<\/p>\n\n\n\n Outro exemplo \u00e9 em rela\u00e7\u00e3o \u00e0s regi\u00f5es<\/strong>, em que pode haver a necessidade do cliente em aumentar o detalhamento <\/strong>da an\u00e1lise dos dados desta dimens\u00e3o, sendo que, em vez de obter os dados das vendas da regi\u00e3o Sul, ele queira o desmembramento dela, de modo a obter os dados individuais dos estados <\/strong>que comp\u00f5em esta regi\u00e3o, como o Paran\u00e1, Santa Catarina e Rio Grande do Sul.<\/strong><\/p>\n\n\n\n Este \u00e9 o inverso <\/strong>do Drill Down,<\/strong> sendo utilizado quando o usu\u00e1rio necessita de menos detalhes<\/strong>, havendo um aumento da granularidade<\/strong>. Por exemplo, caso os dados sejam exibidos por m\u00eas, \u00e9 poss\u00edvel utilizar o Drill Up e aumentar a granularidade da dimens\u00e3o tempo, de maneira a visualizar os dados por ano.<\/p>\n\n\n\n PARA FIXAR:<\/span><\/strong><\/p>\n\n\n\n DRILL DOWN<\/span><\/strong>: Aumenta<\/span><\/strong> o detalhamento, diminuindo<\/span><\/strong> a granularidade<\/strong>.<\/p>\n\n\n\n DRILL UP<\/span><\/strong>: Diminui<\/span><\/strong> o detalhamento, aumentando<\/span><\/strong> a Conceito<\/h2>\n\n\n\n
![\"Cubo](\"https:\/\/dhg1h5j42swfq.cloudfront.net\/2021\/05\/18173734\/image-432.png\")
OLAP x OLTP<\/h2>\n\n\n\n
OLTP<\/h3>\n\n\n\n
Diferen\u00e7as<\/h2>\n\n\n\n
Varia\u00e7\u00f5es de OLAP<\/h2>\n\n\n\n
Estrutura de armazenamento<\/h3>\n\n\n\n
Origem da consulta<\/h3>\n\n\n\n
Opera\u00e7\u00f5es OLAP<\/h2>\n\n\n\n
Slice<\/h3>\n\n\n\n
![\"Opera\u00e7\u00f5es](\"https:\/\/dhg1h5j42swfq.cloudfront.net\/2021\/05\/18173818\/image-433.png\")
Dice<\/h3>\n\n\n\n
![\"DICE\"](\"https:\/\/dhg1h5j42swfq.cloudfront.net\/2021\/05\/18173852\/image-435.png\")
Pivot (Rotate)<\/h3>\n\n\n\n
![\"PIVOT\"](\"https:\/\/dhg1h5j42swfq.cloudfront.net\/2021\/05\/18173914\/image-436.png\")
Drill Down (Roll Down)<\/h3>\n\n\n\n
Drill Up (Roll Up)<\/h3>\n\n\n\n