Neste artigo, exploraremos o conceito de modelagem de dados, incluindo sua importância, tipos e melhores práticas.
O que é uma Modelo de dados?
Um modelo de dados é uma estrutura que organiza os elementos de dados e padroniza como eles se relacionam entre si.
Os dados moldam tudo, desde avanços científicos até a experiência personalizada de serviços de streaming. Informa como os negócios crescem, influencia as políticas públicas e até afeta o entretenimento que aparece em nossas telas. Mas os dados brutos são como um diamante bruto – valiosos, mas que necessitam de refinamento. Os modelos de dados nos ajudam a compreender e utilizar dados brutos em qualquer sistema. Eles descrevem os vários elementos de dados, como detalhes de clientes ou registros de transações, e ilustram as conexões entre eles.
Portanto, um modelo de dados não é apenas um auxílio visual que traz clareza a dados vastos e complexos, mas também uma ferramenta estratégica que molda a forma como os dados são configurados para uso ideal. Um modelo de dados bem projetado pode ajudar as organizações a melhorar as operações, reduzir custos e tomar melhores decisões.
O que é o Modelagem de dados?
Modelagem de dados é o processo de criação de modelos de dados. Ele atua como um processo de refinamento de dados brutos, pois define sua estrutura e atributos e transforma isso em um recurso acionável.
A modelagem de dados envolve a criação de uma representação visual detalhada de um sistema de informação ou de seus componentes. Ele foi projetado para comunicar as conexões entre vários pontos de dados e estruturas. Este processo abrange a análise e definição dos diversos tipos de dados que uma empresa reúne e gera, com foco em seus intrincados relacionamentos, agrupamentos e estrutura organizacional.
Com uma combinação de texto, símbolos e diagramas, modelagem de dados oferece visualização de como os dados são capturados, armazenados e utilizados em uma empresa. Serve como um exercício estratégico para compreender e esclarecer os requisitos de dados do negócio, fornecendo um modelo para gerenciar dados desde a coleta até a aplicação.
Conceitos de modelagem de dados: tipos de dados Modelos
A classificação de modelos de dados em tipos distintos é uma abordagem estratégica que reflete os estágios de evolução da representação e gerenciamento de dados dentro de uma organização. Ele serve um propósito sequencial no processo de modelagem de dados; desde fornecer uma abstração de alto nível até investigando detalhes específicos para traduzir estruturas lógicas em implementações tangíveis. Aqui estão os três tipos de modelos de dados:
Modelo de Dados Conceituais
No início, os modelos de dados conceituais fornecem uma representação de alto nível dos dados organizacionais, atendendo a um público empresarial específico. Eles se concentram na estrutura geral dos dados em relação aos objetivos de negócios, sem entrar em detalhes técnicos. Ele descreve os relacionamentos gerais entre entidades e ilustra como elas interagem dentro de um sistema.
A camada conceitual é construída independentemente de quaisquer especificações de hardware, capacidade de armazenamento ou limitações de software. O objetivo é representar os dados como vistos no mundo real. Por exemplo, um modelo conceitual em um sistema de informação hospitalar poderia delinear as relações entre pacientes, médicos e consultas.
Modelo Lógico de Dados
Seguindo o modelo conceitual, um modelo lógico de dados fornece uma visão mais detalhada dos elementos de dados e suas inter-relações. Esta camada é mais complexa e estruturada que a camada conceitual. O modelo lógico lista os requisitos do projeto, mas também pode ser integrado a outros modelos de dados, dependendo do escopo. Ele é projetado e desenvolvido independentemente do SGBD e os tipos de dados dos elementos de dados têm um comprimento preciso.
Camada de dados lógicos contém informações sobre como o modelo deve ser implementado e contornos atributos específicos de elementos de dados. Por exemplo, em um sistema de gerenciamento de relacionamento com o cliente, a modelagem lógica detalha como os registros do cliente se relacionam com pedidos de compra e tickets de suporte, incluindo atributos como ID do cliente, histórico de compras e registros de interação.
Dados físicos Modelos
Finalmente, os modelos de dados físicos concentram-se nos aspectos técnicos do design do banco de dados, definindo como o modelo de dados será implementado no banco de dados. O diagrama do modelo de dados físicos ajuda a visualizar toda a estrutura do banco de dados. Contém a tabela de relacionamentos entre os dados, abordando a nulidade e cardinalidade desses relacionamentos. Os modelos de dados físicos são projetados e desenvolvidos especificamente para uma versão específica do SGBD, a tecnologia usada para o projeto, o armazenamento de dados necessário e a localização.
Um modelo de dados físicos especifica a estrutura das tabelas, os relacionamentos entre elas e os índices para recuperação eficiente de dados. Por exemplo, em um banco de dados SQL, a modelagem física de dados define como as tabelas são estruturadas e como elas se relacionam entre si.
Juntos, esses modelos de dados simplificam a forma como os dados são organizados e compreendidos pelos profissionais de dados.
O processo de modelagem de dados: Como criar um modelo de dados
A modelagem de dados é um processo estruturado que envolve um conjunto de técnicas para representar dados de forma abrangente. Inclui várias tarefas sequenciais conduzidas repetidamente para garantir que os dados sejam organizados de forma eficiente e atendam aos requisitos do negócio.
Como parte do processo, comece envolvendo as partes interessadas relevantes para compreender a finalidade do modelo de dados. Deve fornecer respostas a perguntas como: Que dados são necessários? Como será acessado? Que perguntas ele deveria responder? Que problemas isso resolverá? Defina o escopo para evitar complexidade desnecessária.
Identificar Entidades
A do estado inicial, etapa do processo de modelagem de dados é identificar os componentes ou objetos principais, chamadas entidades. Eentidades são representações de objetos, conceitos ou eventos reais encontrados no conjunto de dados que Cria modeloing. Podem ser coisas tangíveis, como clientes, ou conceitos abstratos, como transações. Está importante garantir que cada entidade seja única e logicamente distinta das outras, pois evita confusão de dados e mantém a clareza do modelo de dados.
Definindo Atributos
Depois de identificar uma entidade, o próximo passo é para definir suas propriedades únicas, que são chamados atributos. Por exemplo, for modelando um PRODUTOS entidade, os atributos podem ser produto nome preço, fabricante e descrição. Análises de esses atributos pode dar uma compreensão mais profunda das características inerentes de cada entidade.
Especificando o relacionamento
A próxima etapa no processo de modelagem de dados é definir os relacionamentos entre diferentes entidades. Diferentes notações e convenções, como o Linguagem de modelagem unificada (UML), são usados para definir esses relacionamentos e para representar e documentar visualmente as conexões entre entidades e seus atributos.
Ao definir relacionamentos entre entidades, também é importante considerar sua cardinalidade, ou seja, se o relacionamento será um para um, um para muitos, muitos para um ou muitos para muitos. Adicionalmente,
Por exemplo, ao modelar uma entidade aluno e curso em um banco de dados universitário, o relacionamento poderia ser tal que cada aluno pudesse estar matriculado em vários cursos (relacionamento um-para-muitos). Isso descreverá como alunos e cursos estão interconectados em um modelo de dados.
Mapeando os atributos para entidades
Mapeamento A definição de atributos para entidades tem como objetivo garantir que o modelo de dados reflita claramente como a organização usará os dados. Com base em seus requisitos específicos, os desenvolvedores podem aplicar padrões formais de modelagem de dados, como padrões de análise ou padrões de design.
Considere, por exemplo, uma loja online com entidades como cliente e pedido. A entidade cliente normalmente possui atributos como nome e endereço, enquanto a entidade pedido possui atributos como data do pedido e valor total.
Os atributos devem estar vinculados à entidade apropriada para demonstrar como as informações e os pedidos dos clientes são tratados com precisão. Dependendo da situação, padrões como Customer-Order podem ser usados para otimizar o modelo de dados.
Atribuindo Chaves
Atribuir chaves (identificadores numéricos) é selecionar cuidadosamente o tipo apropriado de chave (primária, estrangeira, etc.) para cada entidade com base na natureza dos dados e nos requisitos da base de dados.
Ao atribuir chaves, euÉ importante encontrar o equilíbrio certo entre reduzir a redundância e atender aos requisitos de desempenho. Isto é feito através da normalização, que atribui chaves a grupos de dados para representar relacionamentos sem repetir informações.
Por exemplo, ao criar um modelo de dados para um banco de dados de biblioteca, em vez de digitando o nome do autor em cada livro, dê a cada autor um número exclusivo, como um ID do autor. Em seguida, vincule esse ID a cada livro para indicar o autor. Dessa forma, o nome do autor não se repetirá em todos os livros, facilitando ao leitor a localização de livros do mesmo autor.
Tenha em mente que a normalização envolve uma compensação entre a redução da redundância e o aumento da complexidade. Em alguns casos, a desnormalização pode ser considerada por razões de desempenho, mas deve ser feita criteriosamente para evitar a introdução de anomalias na atualização de dados.
Finalizando o modelo de dados
O processo de modelagem de dados está em constante evolução para se adaptar às novas necessidades do negócio. Portanto, realizar revisões regulares através de avaliações programadas e feedback das partes interessadas é essencial. Faça os refinamentos necessários para garantir que o modelo de dados esteja alinhado com os objetivos da organização.
Por exemplo, ao gerenciar as finanças da empresa é simples no início, à medida que o negócio cresce, os seus dados financeiros crescem. Neste caso, é necessário atualizar regularmente o modelo financeiro para incluir dados mais recentes. Ele garante que o modelo de dados sempre reflita o quadro financeiro completo e ajuda no planejamento financeiro preciso.
Tipos de técnicas de modelagem de dados
As técnicas de modelagem de dados têmolhado ao longo dos anos com avanços em tecnologia. A seção a seguir investiga tipos proeminentes de técnicas de modelagem de dados, cada uma oferecendo perspectivas e metodologias exclusivas para representando os relacionamentos entre entidades de dados e suas interações dentro de um determinado sistema. Tem Vários tipos de modelagem de dados:
Técnicas Tradicionais de Modelagem de Dados
Este e guarante que os mesmos estão da técnicas usadas extensivamente nos primeiros dias de dados, modelagem, mas eles ainda estão em uso hoje.
Modelagem Hierárquica de Dados
Na modelagem hierárquica de dados, um único nó pai é conectado a vários nós filhos, criando uma estrutura ramificada que se assemelha a uma árvore. Cada nó pai pode ter vários filhos, mas cada nó filho tem apenas um pai, criando uma hierarquia de dados clara e organizada.
No nível superior da hierarquia, está o nó raiz, que representa a entidade principal, e cada ramificação representa uma entidade de dados diferente que está conectada ao nó raiz.
Por exemplo, no banco de dados de uma organização, a entidade CEO é a raiz, tendo os Gerentes de Departamento como filhos, que por sua vez têm Funcionários como filhos.
Modelagem de Dados Relacionais
A modelagem de dados relacionais é um método para bancos de dados de design com base nos princípios do modelo relacional. Este modelo organiza os dados em tabelas com linhas e colunas e permite vários tipos de relacionamentos, como um para um, um para muitos e muitos para muitos. A principal característica do modelo relacional é que ele vincula dados entre tabelas usando elementos ou chaves de dados comuns.
Isto permite eficiência e eficácia gestão de dados e fácil acesso e recuperação de informações. O modelo relacional também facilita a análise e a elaboração de relatórios de dados, tornando-o uma ferramenta valiosa para empresas e organizações. Por exemplo, um O banco de dados de uma livraria pode ter tabelas separadas para 'Livros', 'Autores' e 'Editores', com relações estabelecidas por meio de chaves como ISBN para livros, IDs de autores e IDs de editores.
Modelagem de Dados de Rede
O modelo de dados de rede é outra forma comum de estruturar dados em um banco de dados. Estendendo os conceitos de modelagem hierárquica de dados, a modelagem de dados de rede permite que as entidades tenham vários relacionamentos pai-filho. A estrutura semelhante a uma teia resultante não é apenas sofisticada, mas também altamente flexível. Pense nisso como nós (objetos de dados) conectados por arestas (relacionamentos).
Por exemplo, em um banco de dados de uma empresa, funcionários e projetos poderiam ser nós, com arestas indicando qual funcionário trabalha em qual projeto. Este modelo oferece flexibilidade para gerenciar relacionamentos de dados complexos.
Modelo de dados orientado a objetos
O modelo de dados orientado a objetos combina elementos de programação orientada a objetos e bancos de dados relacionais. A modelagem de dados orientada a objetos estende outros métodos de modelagem de dados, representando os dados como objetos, encapsulando assim os dados e os métodos ou operações que podem ser executados nesses dados. Esses objetos possuem propriedades (atributos) e ações (métodos) próprias e podem ser conectados entre si.
Considere um objeto Car com propriedades como cor e velocidade, e ações como iniciar e parar. Agora, para um carro esportivo, ele pode ser baseado no objeto Carro e adicionar recursos específicos como turbo boost.
Técnicas de modelagem de dados amplamente utilizadas hoje
Existem algumas técnicas de modelagem de dados que são populares e mais amplamente utilizadas atualmente.
Modelagem de Dados Dimensionais
Modelagem dimensional de dados é usado para estruturar dados para fins analíticos e de relatórios. Ele organiza os dados em dois tipos de tabelas: tabelas de fatos e tabelas de dimensões As tabelas de fatos armazenam medidas numéricas, enquanto as tabelas de dimensões armazenam informações descritivas. A abordagem de modelagem dimensional permite consultas e análises eficientes para inteligência de negócios, simplificando dados complexos para obter insights significativos.
Por exemplo, num modelo de dados de vendas a retalho, a tabela de factos pode conter receitas de vendas, quantidade vendida e data, enquanto a tabela de dimensões pode armazenar detalhes sobre produtos, clientes e lojas.
Modelagem de dados de relacionamento de entidade (ER)
O relacionamento de entidades (ER) é usado para projetar bancos de dados definindo entidades (objetos) e seus relacionamentos. As entidades representam objetos do mundo real e os relacionamentos representam como essas entidades interagem.
Por exemplo, em um banco de dados universitário, aluno e curso são entidades, e o relacionamento matrícula conecta os alunos aos cursos que estão cursando.
Data Vault Mode
É uma maneira de projetar dados armazenagem é isso dissipação para manuseio grande quantidadets De dados, an organização'S mudanças de necessidades (alterando fontes e estruturas de dados)e acompanhar dados anteriores usando hubs, links e satélites. Modelagem de cofre de dados foca na agilidade e na gestão e integrando dados corporativos. Para a por exemplo, um o profissional de saúde pode usá-lo para integrar dados de pacientes de várias fontes, manutenção um registro histórico da interação do pacienteações.
Gráfico Data Mode
A modelagem de dados gráficos mostra dados como pontos e linhas conectados, tornando-os ideal para compreender e trabalhar com relacionamentos e redes complicadas. Por exemplo, uma plataforma de mídia social pode usar modelagem gráfica para analisar e visualizar as conexões e interações entre milhões de usuários.
Técnicas especializadas de modelagem de dados
Existem certas técnicas de modelagem de dados que podem ser usadas para muito específico casos de uso, cada um oferecendo benefícios exclusivos.
Por exemplo, os modelos objeto-relacionais exibem funcionalidades avançadas próprias, juntamente com a simplicidade do modelo relacional. Este tipo de modelo de dados é considerado um modelo híbrido que permite aos modeladores incorporar novos objetos em um ambiente estruturado familiarmente.
Dados multidimensionais a modelagem é usada em sistemas de processamento analítico online para modelar dados em múltiplas dimensões para análise aprofundada. Por exemplo, uma empresa de varejo pode usá-lo para visualizar dados de vendas por produto, região e horário, oferecendo uma análise abrangente das tendências de vendas.
Modelagem de dados temporais é ideal para lidar com dados que mudam com o tempo. Uma instituição financeira, por exemplo, pode usar modelagem de dados temporais para acompanhar a flutuação das taxas de juros ao longo do tempo. anos, fornecendo insights sobre tendências de mercado e ajudando no planejamento estratégico futuro.
Aprendizado de máquinas modelo o design é para análise preditiva. Por exemplo, uma empresa de varejo pode usar isso para prever aquisitivo comportamento baseado em dados históricos de compras e melhorar o gerenciamento de estoque.
Finalmente, mistura conceitual envolve combinar diferentes conceitos para inovação. Por exemplo, uma empresa de tecnologia pode usar esta abordagem para combinar conceitos de diferentes indústrias para criar um novo produto, como o uso de tecnologia de jogos em software educacional.
Benefícios da Modelagem de dados
A modelagem de dados estrutura os dados de uma forma que permite empresários e líderes para acessar e utilizar it eficientemente. It transforma os dados em uma ferramenta valiosa para obter insights e tomar decisões informadas.
Integrando diversos sistemas
A integração de sistemas díspares é um desafio para muitas organizações, especialmente quando silos de dados existem em múltiplas plataformas. A modelagem de dados atua como uma ponte que conecta esses sistemas isolados, estabelecendo uma estrutura comum e um conjunto de regras sobre como os dados são estruturados e relacionados.
Implementando um modelo de dados padroniza dados formatos, terminologias e relacionamentos entre diferentes sistemas. Como resultado, as equipes de dados podem resolver as inconsistências e discrepâncias que dificultam integração de dados.
Essenciais de Design de Banco de Dados
Ao projetar bancos de dados, a modelagem de dados serve como uma estrutura fundamental que molda a forma como bancos de dados e repositórios são conceituados e construídos. O processo envolve uma abordagem detalhada e multifacetada para descrever e estruturar dados adaptados para atender às necessidades e objetivos específicos de uma empresa.
Dessa forma, as empresas podem construir bancos de dados que suportam recuperação e análise eficientes de dados, essenciais para tarefas como gerenciamento de relacionamento com clientes ou marketing direcionado.
Além disso, um modelo de dados bem projetado antecipa necessidades futuras e escalabilidade, permitindo ajustes e expansões no design do banco de dados à medida que as necessidades dos negócios evoluem. Essa previsão no design garante que o banco de dados continue sendo um ativo adaptável ao longo do tempo.
Inteligência Empresarial Eficaz
A modelagem de dados é uma etapa crítica para garantir que as informações que uma empresa usa sejam bem organizadas e fáceis de manusear pelas ferramentas de BI. Ele mantém a eficácia das estratégias e ferramentas de BI, categorizando os dados em um formato que é facilmente processado pelos sistemas de BI.
A modelagem de dados mantém os dados relevantes e organizados de forma lógica, facilitando a identificação de padrões, a análise de tendências de gastos e a participação em análises preditivas. Assim, quando as empresas utilizam ferramentas de BI, elas podem descobrir rapidamente insights significativos e tomar decisões informadas com base em uma estrutura de dados sólida e compreensível.
Desenvolvimento Eficiente
A modelagem de dados reduz a complexidade do desenvolvimento de software, pois fornece um roteiro claro e detalhado. Ferramentas de modelagem de dados automatizar o processo de criação e manutenção de esquemas de banco de dados, agilizando todo o processo de desenvolvimento.
Os desenvolvedores também podem compartilhar modelos de dados perfeitamente, garantindo que todos estejam na mesma página. Esse entendimento compartilhado é fundamental quando mudanças precisam ser feitas. Sempre que é feita uma alteração no modelo de dados, as ferramentas de modelagem de dados a propagam automaticamente para o banco de dados, eliminando o risco de inconsistências ou erros.
Este clA aridade acelera o processo de desenvolvimento e melhora a qualidade do produto. Na verdade, os sistemas desenvolvidos sob a orientação de um modelo de dados bem estruturado apresentam menos bugs e geralmente são entregues mais rapidamente.
Facilita a migração para a nuvem
A modelagem de dados ajuda com migrando dados para a nuvem sem problemas criando um plano claro e organizado de como os dados são estruturados. O projeto inclui detalhes sobre os relacionamentos entre diferentes partes de dados, facilitando o mapeamento e a adaptação da estrutura para atender aos requisitos de um ambiente de nuvem. In essência, it alinha o design do banco de dados com os requisitos de ambientes de nuvem.
Simplifica a comunicação externa
A modelagem de dados também melhora a comunicação com partes interessadas externas, fornecendo uma representação visual de como os dados são estruturados e relacionados a um sistema. Os modelos de dados servem como uma linguagem comum que facilita discussões sobre requisitos de dados e compreensão geral do projeto.
A partilha destes modelos ajuda a transmitir informações complexas num formato mais compreensível e padronizado, melhorando a comunicação e a compreensão eficazes entre as organizações e as partes interessadas externas.
A integração de um modelo de dados com BI melhora ainda mais a comunicação, tanto interna quanto externa. Ele garante que os insights baseados em dados derivados das ferramentas de BI sejam apresentados de maneira clara e concisa, alinhada com definições e estruturas padronizadas. Isto é particularmente importante ao compartilhar insights com partes externas que podem não estar familiarizadas com os sistemas de dados internos da organização.
Modelagem de dados Melhores Práticas
Tem a algumas práticas recomendadas que pode otimizar da modelagem geral de dados processar e garantir que o modelo de dados resultante seja eficaz.
Alinhe o processo com as metas de negócios
Planeje o processo de modelagem de dados para que o modelo de dados esteja alinhado aos objetivos de negócios. Colabore com analistas de negócios e partes interessadas para garantir que o modelo represente com precisão os processos de negócios. Desta forma, o modelo de dados apoia diretamente as estratégias e decisões de negócio, aumentando a sua relevância e eficácia.
Manter documentação abrangente
A documentação adequada do modelo de dados é essencial para clareza sobre a estrutura do banco de dados e garante sua usabilidade para desenvolvedores e partes interessadas. Deve detalhar quais dados são armazenados, como são usados e seus relacionamentos. A documentação abrangente simplifica a compreensão e utilização do modelo de dados, facilitando a integração de novos membros da equipe e ajudando em modificações futuras.
Selecionar A Técnica de modelagem apropriada
Escolha uma técnica de modelagem de dados que melhor se adapte ao tipo de dados e ao caso de uso. Por exemplo, use modelagem relacional para aplicativos de usuário final e modelagem dimensional para tarefas focadas em análise. A opção pela técnica certa maximiza a eficiência e a eficácia, garantindo que o modelo de dados seja estruturado de maneira ideal para necessidades de negócios e casos de uso específicos.
Use Convenções de nomenclatura claras e consistentes
Usar convenções de nomenclatura claras e simples torna os modelos de dados mais fáceis de ler e a manter. It simplifica o desenvolvimento do banco de dados e reduz a confusão entre os membros da equipe. Por exemplo, usando nomes como Identificação do Cliente em vez de confundir abreviaturas como IDCust deixa claro o que o campo significa e ajuda na compreensão e colaboração.
Esforce-se pela simplicidade
Na modelagem de dados, é importante focar em o que é essencial agora, em vez de criar uma solução excessivamente complexa. Por exemplo, uma pequena empresa deve modelar a escala atual, o que envolve a gestão de gigabytes de dados com tráfego moderado de utilizadores, em vez de uma engenharia excessiva para o futuro, o que pode exigir o tratamento de terabytes e tráfego pesado.
Esta prática pode economizar tempo e recursos valiosos, concentrando-se nas necessidades imediatas. Além disso, garante que o modelo de dados não seja excessivamente complicado e permaneça ágil o suficiente para se adaptar à evolução dos negócios.
Use Modelos de dados flexíveis para adaptação futura
A criação de modelos de dados flexíveis permite que os bancos de dados se adaptem às mudanças nas necessidades dos negócios. A flexibilidade adicional facilita a adição de novas fontes de dados ou a realização de alterações na estrutura de dados. Por exemplo, usar um esquema flexível em um banco de dados NoSQL permite adicionar novos atributos de dados facilmente e sem causar problemas com os dados existentes.
Incorporare Data Governança e Segurança
Ao projetar modelos de dados, é importante fornecer dados governança e segurança sua devida parcela de importância desde o início. Fazer isso garante que os dados são armazenados, acessados e gerenciados conforme regras e diretrizes de segurança. Por exemplo, usando controle de acesso baseado em função (RBAC) nos dados modelo, acesso o acesso a dados confidenciais é limitado a pessoas autorizadas, tornando os dados mais seguros e em conformidade com os regulamentos.
Palavra Final
A modelagem de dados é significativa na integração de sistemas e no suporte à inteligência de negócios. A aplicação das técnicas corretas de modelagem de dados pode levar a maior eficiência, comunicação mais clara entre as equipes e melhor tomada de decisões.
Contato
https://www.astera.com/pt/type/blog/data-modeling
E ao falarmos de Pentaho, cabe aqui destacar, ainda com certo delay, que o Pentaho Day 2017 Brasil - Curitiba/PR foi fantástico, como sempre. Foram tantos aprendizados e tantos contatos estabelecidos, que vários projetos desde então foram executados aqui na e-Setorial e nos consumiram, mas não podemos deixar de enaltecer mais essa iniciativa da comunidade Pentaho Brasil, que ajuda profissionais e empresas de ramos de atividade e portes diferentes. A título de exemplo, nossos projetos este ano foram tão variados, que foram desde a análise de dados de Educação à Distância, do Enriquecimento de Dados de Pessoas Físicas e Jurídicas do Brasil, a análise de dados Hospitalares para Planos de Saúde, até um sistema completo para gestão de risco em Usinas Hidrelétricas e Barragens. Todos desenvolvidos utilizando o Pentaho em sua versão gratuita, atingindo excelentes resultados.
Em 18 de setembro de 2017 a Hitachi anunciou a formação da Hitachi Vantara, uma empresa cujo objetivo é ajudar as organizações a prosperar nos tempos incertos e turbulentos de hoje e se preparar para o futuro. Esta nova empresa unifica a missão e as operações da Pentaho, Hitachi Data Systems e Hitachi Insight Group em um único negócio, a Hitachi Vantara. Juntas, dão aos líderes empresariais uma vantagem para encontrar e usar o valor em seus dados, inovar inteligentemente e atingir os resultados que são importantes para as empresas e a sociedade.
A comunidade está em polvorosa e no evento mundial da Pentaho, o PentahoWorld 2017, que aconteceu na semana passada, entre 25 e 27 de outubro em Orlando na Florida.
Com investimentos que só uma grande corporação pode fazer, o produto tem tudo para se disseminar ainda mais e ganhar espaço dos grandes players. A equipe de desenvolvimento não para, ao contrário dos concorrentes que só pensam em vender licenças de uso de suas ferramentas. Cada vez mais o pentaho traz segurança, facilidade em desenvolver e manter e o melhor de tudo, com funcionalidades que surpreende até aos mais exigentes. É verdade que ainda são necessários conhecimentos em Java Script e MDX para a implementação de dashboards mais específicos, entretanto aplicações simples, mas e poderosas, podem ser criadas em minutos, sem escrever uma linha de código. O caminho é este.
A Natura é uma das líderes do setor de beleza e cosméticos na América Latina, com uma presença significativa e impactante na região. Com marcas renomadas como Natura e Avon, o grupo abrange uma ampla gama de produtos e serviços, que vão desde cuidados com a pele e cabelos até fragrâncias e maquiagem. Hoje, a Natura conta com 14,5 mil colaboradores distribuídos em 18 países, além de cinco fábricas e 19 centros de distribuição.
O ponto máximo da meticulosidade de Kubrick, no entanto, foi o projeto Napoleão. Embora não tenha sido viabilizado por limitações orçamentárias, o trabalho de pré-produção é considerado o mais perfeito já realizado. O livro Napoleon: The Greatest Movie Never Made (editora Taschen), sem tradução em português, de Alison Castle, revela o envolvimento do diretor na intensa pesquisa das locações, cenários, figurinos, elenco, cronologia dos fatos, textos históricos, cinematografia e no desenvolvimento dos argumentos e do roteiro para fundamentação da obra, o que gerou conteúdo e uma base de dados com aproximadamente 17 mil imagens relacionadas à era napoleônica. A intenção do filme, inacabado, fez a fama do diretor, completo.
"Não são todos os dias que encontramos tantos profissionais que admiramos de uma só vez. Não poderia deixar de registrar a confraternização com o norte americano Matt Casters, à esquerda, criador do Pentaho Data Integration e o português Pedro Alves, ao centro, o Criador das CTools, amigo e meu instrutor por diversas oportunidades, desde 2012. E isso acontecendo em minha cidade natal, Curitiba. Pentaho Day Brasil 2017"