Hff workshop bi, v2, print version

Workshop Business Intelligence 05.Fev.2013

Daniel Carvalho, Associate Manager

http://www.google.pt/url?sa=i&source=images&cd=&cad=rja&docid=LR9MvVSL94vDoM&tbnid=ULe8V57yTtw9zM:&ved=0CAgQjRwwAA&url=http://www.radioocidente.pt/noticia.asp?idEdicao=158&id=30922&idSeccao=1486&Action=noticia&ei=MQwRUfzfNIzAtAb4_YGICw&psig=AFQjCNFB22lkKMtDHOCasy665grijG52AQ&ust=1360158129925242

© ALL RIGHTS RESERVED 2

Agenda

Pontos a discutir

I. BI: Passado, Presente e Futuro

II. Anatomia de um Data Warehouse (warning: techy)

III. Diferentes utilizadores necessitam de ferramentas diferentes

IV. Principais dificuldades na implementação de BI

© ALL RIGHTS RESERVED

BI: Passado, Presente e Futuro BI: como porquê nasceu

Capítulo I

“Business Intelligence

as un umbrella

to describe

concepts and

methods to improve

business

decision making by using

fact-based support systems”


BI: Passado, Presente e Futuro BI: alguns termos mais utilizados

Capítulo I

business

decision making tempo

hoje

o que aconteceu? o que está a acontecer? “predictive analysis”

BI tradicional Data mining

Real-time BAM (Business Activity Monitoring)

CEP (Complex Event Processing)

What-if – Cenários


Estamos

velhos?

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=twShutZOFXzUjM&tbnid=qr73liSyOQVBnM:&ved=0CAUQjRw&url=http://www.treklens.com/gallery/photo591967.htm&ei=SFUQUdntIaio0AWR-oDYDw&bvm=bv.41867550,d.ZG4&psig=AFQjCNGl81WaWLgaXUkiDl56KBgjmC3FPg&ust=1360111294540806


BI: Passado, Presente e Futuro Nos primórdios…

Capítulo I

Quem se lembra…?

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=EYiVdB3EAdGZ6M&tbnid=ODrdlBD2j-x7tM:&ved=0CAUQjRw&url=http://www.crn.com/slide-shows/channel-programs/240004936/where-are-they-now-1998-industry-hall-of-fame-inductees.htm?pgno=11&ei=m8YPUZDkO4fLtQbeoYDoBg&bvm=bv.41867550,d.Yms&psig=AFQjCNG0L9tPzqwyjgyshe05Efmmre9uxw&ust=1360074768144561


BI: Passado, Presente e Futuro Dados sobre aplicações isoladas

Capítulo I

Cada aplicação (app) tem o seu reporting

Não há cruzamento de dados (entre apps)

Estruturas de dados não estão optimizadas para queries massivos

App 1 App 2 App n

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=r7I82mocwr06yM&tbnid=o89y34JBPytteM:&ved=0CAUQjRw&url=http://www.aresluna.org/attached/computerhistory/articles/spreadsheets/lotus123review/pics/1c?printable=yes&ei=i8gPUaTXC8HXtAasw4HgCg&bvm=bv.41867550,d.Yms&psig=AFQjCNG0L9tPzqwyjgyshe05Efmmre9uxw&ust=1360074768144561

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=aFuNZfLpNPAiJM&tbnid=8a0oucgJgceR2M:&ved=0CAUQjRw&url=http://derstandard.at/1353206941779/Ende-einer-Marke-IBM-stampft-Lotus-ein&ei=xcgPUZ21JcHXtAasw4HgCg&bvm=bv.41867550,d.Yms&psig=AFQjCNG0L9tPzqwyjgyshe05Efmmre9uxw&ust=1360074768144561

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=6L0XByROyl4QqM&tbnid=1M52JeGZJfRnhM:&ved=0CAUQjRw&url=http://www.aresluna.org/attached/computerhistory/articles/spreadsheets/lotus123review/pics/1b&ei=9sgPUcLwNY6SswbQiIHYCQ&bvm=bv.41867550,d.Yms&psig=AFQjCNG0L9tPzqwyjgyshe05Efmmre9uxw&ust=1360074768144561


BI: Passado, Presente e Futuro Unificação do reporting

Capítulo I

Temos cruzamento de dados

Estruturas de dados continuam a não estão optimizadas para queries massivos

Sistemas operacionais “sofrem” com o reporting

App 1 App 2 App n





BI: Passado, Presente e Futuro Criação de Data Warehouses (DW)

Capítulo I

Temos cruzamento de dados

Estruturas de dados no DW optimizadas para queries massivos

Sistemas operacionais não “sofrem” com o reporting

App 1 App 2 App n

DW





BI: Passado, Presente e Futuro Arquitectura completa

Capítulo I

Qu

alid

ade

de

Dad

os


BI: Passado, Presente e Futuro Hype Cycle for BI, 2011, © Gartner

Capítulo I

“novidades” / trends

Big data

Capítulo II Anatomia de um Data Warehouse warning: techy

http://www.google.pt/url?sa=i&source=images&cd=&cad=rja&docid=VTLNPsIeRc0e3M&tbnid=2hy7ympdCGEC6M:&ved=0CAgQjRwwADgT&url=http://www.flickr.com/photos/nationalmuseumsliverpool/4856156629/&ei=oFoQUduEOca3hAfL8YH4Cg&psig=AFQjCNFhWYRneYeyZNnWkpDZKl6XCnA6lw&ust=1360112672986929


Anatomia de um Data Warehouse Modelo Relacional vs. Modelo Estrela (ou Floco de Neve)

Capítulo II

Modelo Relacional • Poupança de espaço • 3ª forma normal

Modelo em Estrela • Optimizado para queries • Consome mais espaço

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=bYi5wYXl_R6tsM&tbnid=T_GFXQu96qMqsM:&ved=0CAUQjRw&url=http://dbschema.com-download.net/Img624171.html&ei=u1wQUY71MoXL0AXsioCwAg&bvm=bv.41867550,d.ZG4&psig=AFQjCNHIPdKgvobZxrnSuP5qpJnKuO2HeA&ust=1360113203798464

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=sDZMZGTLpNw9RM&tbnid=ZgpamtR1B__uGM:&ved=0CAUQjRw&url=http://kartikaelnur.wordpress.com/&ei=91wQUYz9NIuq0AX--4HoDg&bvm=bv.41867550,d.ZG4&psig=AFQjCNFQ7jz-VbBKtwJjMWrW29x7vKZ7gA&ust=1360113240660809


Anatomia de um Data Warehouse Modelo Relacional vs. Modelo Estrela (ou Floco de Neve)

Capítulo II

Modelo Relacional • Poupança de espaço • 3ª forma normal

Modelo em Estrela • Optimizado para queries • Consome mais espaço

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=bYi5wYXl_R6tsM&tbnid=T_GFXQu96qMqsM:&ved=0CAUQjRw&url=http://dbschema.com-download.net/Img624171.html&ei=u1wQUY71MoXL0AXsioCwAg&bvm=bv.41867550,d.ZG4&psig=AFQjCNHIPdKgvobZxrnSuP5qpJnKuO2HeA&ust=1360113203798464

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=sDZMZGTLpNw9RM&tbnid=ZgpamtR1B__uGM:&ved=0CAUQjRw&url=http://kartikaelnur.wordpress.com/&ei=91wQUYz9NIuq0AX--4HoDg&bvm=bv.41867550,d.ZG4&psig=AFQjCNFQ7jz-VbBKtwJjMWrW29x7vKZ7gA&ust=1360113240660809

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=PFijDC9k-lFLYM&tbnid=60TAvD0bFhMB8M:&ved=0CAUQjRw&url=http://docs.oracle.com/cd/B19306_01/server.102/b14223/aggreg.htm&ei=-lsQUeDwO4ST0QXW9oDgBA&bvm=bv.41867550,d.ZG4&psig=AFQjCNEd_AVi77jzFa4PCsKR36bFI0EmlA&ust=1360112855366049


Anatomia de um Data Warehouse Cubo

Capítulo II




Anatomia de um Data Warehouse Data Mart – silos de dados departamentais

Capítulo II

Departamento X

RH

Auditoria






Anatomia de um Data Warehouse … onde tradicionalmente assentam as ferramentas de BI

Capítulo II

Departamento X

RH

Auditoria





Capítulo III Diferentes utilizadores ferramentas diferentes

Sub-título


Diferentes utilizadores ferramentas diferentes Capítulo III


Diferentes utilizadores ferramentas diferentes No que toca a reporting, dashboards, mobile, …

Capítulo III

Dispositivo PC Smartphone Tablet

Necessidades Read-only Manipular dados Reporting “compliance”

Tipo de informação Sumário executivo KPI Informação tabular


Diferentes utilizadores ferramentas diferentes Exemplos – ilustrativo

Capítulo III

Resp. Departamento

Dep. Financeiro

C-level

Principais dificuldades Capítulo IV



Foto: Sebastião Salgado

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=9uf1MSzOF4A5mM&tbnid=IiFchbuw_Jw4iM:&ved=0CAUQjRw&url=http://gregkufahl.blogspot.com/&ei=nuEQUZjGAofOswb2pYCoAg&bvm=bv.41934586,d.Yms&psig=AFQjCNFibTnSXjQbZWogel3pawM1KnwdFA&ust=1360147197213834



“Between 70% to 80% of corporate business intelligence projects fail, according to research by analyst firm Gartner.” (*)

Estes são os principais factores que levam ao insucesso das iniciativas de BI:

• Falta de Suporte de Negócio (sponsorship)

• Qualidade de Dados (ou falta dela…)

• Dashboards como uma cura genérica

• “Está perfeito como está – nunca o iremos alterar!”

(*) http://www.computerweekly.com/news/1280094776/Poor-communication-to-blame-for-business-intelligence-failure-says-Gartner

http://www.computerweekly.com/news/1280094776/Poor-communication-to-blame-for-business-intelligence-failure-says-Gartner





















Principais dificuldades Falta de Suporte de Negócio (sponsorship)

Capítulo IV

As iniciativas de BI têm habitualmente uma fasquia elevada – quando comparadas com os outros projectos.

Quando (e eu intencionalmente não refiro "se") o projecto estiver atrasado ou deixa de ir ao encontro das expectativas, ter o apoio de pessoas com capacidade de decisão é fundamental.

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=XgAS0-GGE9C_hM&tbnid=ZgloCyIPsCCdLM:&ved=0CAUQjRw&url=http://www.123rf.com/photo_11188304_back-to-back-businessmen-looking-away-from-the-camera-over-white-background.html&ei=fuIQUY7cEseQswbBuYHwCA&bvm=bv.41934586,d.Yms&psig=AFQjCNHIhT66OIlDg2sIiTfjnpa-S0l7gQ&ust=1360147435930897


Principais dificuldades Qualidade de Dados (ou falta dela…)

Capítulo IV

Outros sistemas / soluções podem ser capazes de esconder dados de má qualidade, mas a qualidade dos dados está totalmente exposta numa solução de BI.

Os dois resultados mais comuns quando se lida com má qualidade dos dados são falhas nos processos ETL – por exemplo, não haver match entre dados – e as decisões tomadas com base em dados incorrectos. Em tais casos, a confiabilidade e a precisão do sistema será interrogado, e o Negócio começará, então, a questionar o investimento na própria solução.

“Garbage in – garbage out”


Principais dificuldades Dashboards como uma cura genérica

Capítulo IV

Dashboards gráficos muito atraentes, precisam da mesma quantidade de planeamento e cuidadosa consideração sobre o seu conteúdo / finalidade – como faria em qualquer outro projecto. Os painéis que mostram valores inconsistentes ou que não fluem facilmente para o resto dos dados da organização correm o risco de diminuir a confiança na solução, levando a abandono.

Lembrem-se do “one size doesn’t fit all”

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=FY84csv2XD27NM&tbnid=m6oXcbpArb-aJM:&ved=0CAUQjRw&url=http://timoelliott.com/blog/2007/09/who_really_wants_predictive_an.html&ei=N98QUYTxJojVsga2goGQBQ&psig=AFQjCNHKtOU7Hrxa3MvL4p1WOeREBVGwgQ&ust=1360114708286980


Principais dificuldades “Está perfeito como está – nunca o iremos alterar!”

Capítulo IV

Muitas organizações tratam o BI como uma série de projectos discretos (muitas vezes departamentais), com foco na entrega de um conjunto fixo de requisitos.

O BI é um alvo em movimento –

durante o primeiro ano de qualquer implementação de BI, os utilizadores tendem normalmente a solicitar alterações para melhor atender às suas necessidades ou para melhorar os processos de negócios subjacentes. Essas mudanças podem afectar 35% a 50% das funções da solução.

As organizações devem, portanto, definir um processo de revisão que faça a gestão da obsolescência e substituição dentro do portfólio de BI.

Wrap-up


Wrap-up

Principal objectivo

do BI:

Business

Decision

Making

“One size doesn’t

fit all”

Pensem nas

necessidades dos

utilizadores ,

tipos de

informação e

nos devices

Falta de Suporte

de Negócio

(sponsorship)

(Falta de)

Qualidade de

Dados

garbage in –

barbage out

Dashboards como

uma cura

genérica

Pensar que uma

iniciativa de BI

tem fim

Devemos estar

constantemente

em melhoria

contínua


Lembrem-se

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=rWoPfgcT4uxG6M&tbnid=zlvoZleC5aCVHM:&ved=0CAUQjRw&url=http://henriksenlearning.wordpress.com/2011/12/29/things-to-remember-for-2012/&ei=9gYRUY3EEoOltAbR-IBg&bvm=bv.41934586,d.Yms&psig=AFQjCNFInCL05ckLA081w-SWJHtOKS2pAQ&ust=1360156766378002


Há sempre uma forma diferente de interpretar os dados…

ou

Nem sempre queremos ver a verdade…

http://www.google.pt/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=SYA0aKhcKtL-ZM&tbnid=cRcyNs-n6lRn0M:&ved=0CAUQjRw&url=http://timoelliott.com/blog/2009/12/top-bi-questions-blog-posts-of-2009.html&ei=zmIQUcylNvKb1AWS6oHICQ&psig=AFQjCNHKtOU7Hrxa3MvL4p1WOeREBVGwgQ&ust=1360114708286980

Hff workshop bi, v2, print version

Documents

Transcript of Hff workshop bi, v2, print version