CHAPTER 2: PREVIOUS STUDIES
2.3 Causes of Child Labour
Avaliações do tempo gasto com previsões de métodos diferentes podem ser úteis, visto que um gestor pode escolher um determinado método não somente em virtude da precisão, mas levando em consideração também outros fatores.
Conforme ilustra a figura 36, a mediana do tempo de processamento com previsões usando suavização exponencial tripla em planilhas eletrônicas é aproximadamente 30 segundos, o terceiro quartil (Q3) é aproximadamente 1 minuto, havendo valores discrepantes (outliers) de 2 a 4 minutos nos casos de modelagem onde houve retrabalho. A caixa da esquerda demonstra que os dados relativos a tempo gasto neste modelo são mais simétricos e menos dispersos.
A mediana das previsões usando regressão linear no pacote estatístico é aproximadamente 2 minutos, o terceiro quartil (Q3) é aproximadamente 3 minutos, havendo valores discrepantes (outliers) de 6 a 22 minutos nos casos de modelagem onde houve retrabalho.
Na mediana, pode-se dizer que modelagem com regressão linear é 4 vezes mais demorada que a com suavização exponencial.
Os tempos gastos com as 388 previsões de representatividade de cada modelo foram registrados. O tempo gasto com suavização exponencial tripla é próximo ao da figura 36 (caixa da esquerda), com mediana de 30 segundos por série histórica.
Usando média móvel, todas as 388 previsões foram computadas em um único comando de planilhas, levando 4 minutos.
Da ta TExec.REG TExec.HW 00:22:00 00:20:00 00:18:00 00:16:00 00:14:00 00:12:00 00:10:00 00:08:00 00:06:00 00:04:00 00:02:00 00:00:00
Tempo de Execução: HW x REG
7 CONCLUSÕES
A previsão de vendas é um elemento fundamental no processo de tomada de decisão nas empresas e, quando bem realizada, otimiza estoques, reduz erros em geral e aumenta lucros. A maior complexidade das organizações e seu ambiente aumentaram a importância da previsão nos diversos segmentos. As incertezas da demanda são um problema enfrentado pelos gestores, assim como as previsões paralelas e desconexas oriundas de diferentes níveis hierárquicos dentro da organização, que trazem desconforto e insatisfação aos envolvidos no processo de previsão. Isso justifica a integração funcional dos processos de previsão e o compartilhamento da informação entre os diversos níveis funcionais. Entretanto a literatura pesquisada aponta dificuldades de se efetuar a integração de modo mais livre, devido ao problema do aumento da complexidade.
A evolução da tecnologia da informação trouxe ferramentas de apoio à decisão, proporcionando aos gestores: o suporte decisório nas tomadas de decisão, arquivamento de dados, modelagem e análise de resultados, geração e armazenagem de conhecimento e outros. Assim, a modelagem realizada neste trabalho teve como foco a geração de cenários para um sistema de apoio à decisão, prevendo demandas agregadas e individuais, gerando uma estrutura de integração entre as previsões feitas em diferentes níveis e alinhando valores oriundos de métodos quantitativos e julgamento subjetivo. Este sistema de apoio à decisão foi validado com dados reais de mais de 3 anos de demanda de uma distribuidora farmacêutica que, não produzia mas comercializava centenas de itens comprados para estocagem e venda (sistema MTS ou make-to-stock), atuando no elo da cadeia que antecede a venda no varejo. Espera-se, portanto, que os instrumentos da TI, utilizados neste trabalho, sirvam para efetuar, futuramente, testes mais organizados e abrangentes, sobre as dificuldades de integração funcional, mencionadas na literatura.
Delimitando as fronteiras do trabalho, não foram levadas em consideração questões de programação e controle da produção, jornada de trabalho, orçamentos ou o controle de estoque em si, visto que os itens modelados foram escolhidos entre aqueles que não sofreram com falta de estoques no período em estudo. Assim,
pôde-se garantir que a venda coincidisse com a demanda dos itens escolhidos para modelagem.
Os objetivos específicos verificados utilizando os instrumentos da TI, em forma de hipóteses foram atingidos, pois diferentes métodos de previsão foram aplicados a um contexto real. Os métodos de suavização exponencial tripla e regressão linear múltipla foram comparados na previsão de demandas agregadas e individuais para o mês posterior durante quatro meses. Suavização exponencial tripla e média móvel foram comparadas na previsão de representatividade (mix) dos itens e famílias para o mês posterior durante quatro meses. A suavização exponencial tripla proporcionou melhor ajuste (dos dados passados) de séries históricas de demanda mais agregadas, embora a precisão da previsão para os meses posteriores não difira entre os métodos. A suavização exponencial tripla proporcionou previsões mais precisas de representatividade agregadas, e proporcionou previsões igualmente precisas de representatividade individual.
Vale ressaltar que os resultados gerados pelas previsões são conjeturais, em virtude dos métodos utilizados e a amostra de dados. Entretanto o trabalho serviu para mostrar as facilidades de usar os instrumentos de TI, em qualquer contexto, tendo em vista a integração funcional do processo de previsão.
O objetivo específico de demonstrar a criação de diferentes cenários de previsão, fazendo uso de um repositório de dados e sistema de apoio à decisão também foi atendido, visto que os cenários construídos em planilha permitem tratar questões qualitativas (julgamento ou expectativa da diretoria), dão ênfase a uma gama de diferentes valores futuros, são compreensíveis e coerentes, dão suporte aos vários níveis hierárquicos, proporciona variedade de estilos de decisão, é adaptável e permite modelagem e análise de resultados. Uma forma de simulação aproveita as previsões totais mensais oriundas da suavização exponencial tripla e regressão linear múltipla e embute fatores de otimismo e pessimismo, a fim de apoiar a formulação das expectativas da diretoria de forma qualitativa. A diretoria pode escolher qual método e qual fator (ou ponderação entre métodos e fatores) atende às expectativas.
O aplicativo de cenários criado por uma empresa de software não teve o propósito de ser comparado com o aplicativo de planilhas, apenas teve o propósito de reforçar os conceitos validados no aplicativo de planilhas, além de apresentar uma interface
mais amigável e melhor desenhada. O aplicativo desenvolvido pela empresa não possui algumas funções, como importação de dados, pois foi desenvolvida para testes com os dados desta pesquisa.
O objetivo específico de avaliar diferentes cenários de agregação e desagregação de valores de previsão foi alcançado, embora a hipótese de não existir convergência para um único e melhor cenário tenha sido aceita. Vale ressaltar que o pequeno número de meses simulados pode ter escondido fenômenos que poderiam ser descobertos em maior número de simulações. Este resultado também é conjetural e depende da amostra de dados.
O objetivo geral foi atendido, visto que o sistema de apoio à decisão proposto foi capaz de integrar as previsões de vários níveis hierárquicos de uma empresa. Este sistema permitiu aos gestores simular projeções de demandas agregadas e individuais, alinhar valores quantitativos com as expectativas de crescimento dos níveis hierárquicos superiores e decidir entre os melhores cenários. O SAD proposto reduz o hiato comumente existente entre julgamento qualitativo e raciocínio quantitativo.
A principal contribuição deste trabalho reside na proposta de prever séries históricas de inúmeros itens reais em estruturas de detalhamento superiores a dois níveis, por métodos de previsão diversos, sem as análises estatísticas de correlação, tendência, representatividade e outras que possam justificar uma ou outra abordagem. Esta proposta envolve gerar cenários de agregação e desagregação para que gestores escolham cenários para suas tomadas de decisão baseadas em testes de precisão, independentemente de conhecerem complexos fenômenos estatísticos. Assim, ao projetar um futuro desconhecido, o gestor por escolher determinado cenário baseado na precisão, custo, tempo e outros fatores apresentados por este mesmo cenário em períodos passados. Tal proposta não foi encontrada na literatura revisada.
A descrição das etapas de construção de um sistema de apoio à decisão baseado na geração de cenários, com definições e capturas de tela permite que este trabalho seja replicado.
A modelagem realizada neste trabalho é de cunho dedutivo e o sistema de apoio à decisão foi criado para atender qualquer empresa. Assim, os dados de distribuição
farmacêutica e os métodos de previsão escolhidos serviram como validação da pesquisa efetuada.
Outros métodos de previsão poderiam ser utilizados, e outros cenários que não os criados no capítulo Desenvolvimento poderiam ser criados.
Futura pesquisa poderá incluir:
teste deste sistema de apoio à decisão usando dados de diferentes segmentos, com séries históricas mais longas;
estudos sobre escolha das variáveis explicativas de demanda mais apropriadas para diversos segmentos;
cenários do tipo middle-out, onde valores de previsão são lançados no ponto intermediário de uma estrutura de informação, permitindo, ao mesmo tempo, agregação para níveis superiores e desagregação para níveis inferiores;
agregação e desagregação temporal e espacial, gerando cenários mensais, semestrais e outros, com abrangência geográfica diferente (agregações regionais, nacionais, etc);
expansão das fronteiras de estudo, usando dados de empresas de manufatura e gerando previsões que necessitem de consenso entre departamentos e que alimentem as etapas subsequentes do planejamento agregado, ilustrando o ciclo completo da figura 1.
REFERÊNCIAS BIBLIOGRÁFICAS
ARCHIBALD, B. C.; KOEHLER, A. B. Normalization of seasonal factors in Winters’ methods. International Journal of Forecasting, v. 19, n. 1, p. 143–148, 2003.
ARMSTRONG, J. C. Principles of forecasting: a handbook for researchers and practitioners. Boston, MA: Kluwer Academic, 2001. 849 p.
BARBOSA, A. F.; MENDES, R.C.; SENNES, R. A indústria farmacêutica brasileira
e as exportações para a América Latina: impactos dos acordos comerciais e das
variáveis macroeconômicas. São Paulo: Febrafarma – Federação Brasileira da Indústria Farmacêutica, 2006. 170 p.
BERTO, R. M., NAKANO, D. N. A produção científica nos anais do ENEGEP: um levantamento de métodos e tipos de pesquisa. Revista Produção, ABEPRO, v. 9, n. 2, p. 65 – 75, 2000.
BEDWORTH, D. D.; BAILEY, J. E. Integrated production control systems: management, analysis, design. 2nd ed. New York: John Wiley & Sons, 1987. 477 p.
BRESLIN, M. Data Warehousing: Battle of the Giants: Comparing the Basics of the Kimball and Immon Models. Business Intelligence Journal, v. 9, n. 1, p. 6-21, 2004.
BRYMAN, A. Research Method and Organization Studies. London: Unwin Hyman, 1989. 283 p.
BOBKO, P.; SCHEMMER, F. Note on Standardized Regression Estimators.
Psychological Bulletin, v. 88, n. 1, p. 233-236, 1980.
BUFFA, E. S.; SARIN, R. K. Modern Production/operations management. 8th ed. New York: John Wiley & Sons, 1987. 834 p.
BUNN, D. W.; SALO, A. A. Forecasting with scenarios. European Journal of
Operational Research, v. 68, n. 3, p. 291-303, 1993
CARLSSON, C.; TURBAN, E. DSS: directions for the next decade. Decision
CHAMBERS, J. C.; MULLICK, S. K.; SMITH, D. D. How to Choose the Right
Forecasting Technique. Harvard Business Review. v. 49, p. 45-57, Jul./Aug. 1971.
CHATFIELD, C.; KOEHLER, A. B.; ORD, J. K.; SNYDER, R. D. A new look at
models for exponential smoothing. The Statistician, v. 50, Part 2, p. 147-159, 2001.
CHAU, K. W.; CAO, Y.; ANSON, M.; ZHANG, J. Application of data warehouse and Decision Support System in construction management. Automation in
Construction, v. 12, n. 2, p. 213 - 224, 2002.
CORRAL, K.; SCHUFF, D.; ST. LOUIS, R. D. The impact of alternative diagrams on the accuracy of recall: A comparison of star-schema diagrams and entity-relationship diagrams. Decision Support Systems, v. 42, p. 450– 468, 2006.
CRAIGHEAD, C.W.; HANNA, J. B.; GIBSON, B. J.; MEREDITH, J. R. Research approaches in logistics: Trends and alternative future directions. The International
Journal of Logistics Management . v. 18, n. 1, p. 22-40, 2007.
DANGERFIELD, B.; MORRIS, J. S. Top-down or bottom-up: Aggregate versus disaggregate extrapolation. International Journal of Forecasting, v. 8, n. 2, p. 233- 241, 1992.
DRAPER, N.R.; SMITH, H. Applied regression analysis. 3rd ed. New York: John Wiley & Sons, 1998. 706 p.
FELICIANO NETO, A.; FURLAN, J. D.; HIGA, W. Engenharia da Informação: Metodologia, Técnicas e Ferramentas. São Paulo: McGraw-Hill, 1988. 262 p.
FEMENIAS, J. L. Fitting models to correlated data (large samples). Journal of
Molecular Spectroscopy, v. 224, n. 1, p. 73–98, 2004.
FORTULAN, M. R. O uso de Business Intelligence para gerar indicadores de
desempenho no chão-de-fábrica: uma proposta de aplicação em uma empresa de manufatura. 2006. 180p. Tese (Doutorado) –Escola de Engenharia de São
Carlos, Universidade de São Paulo, São Carlos, 2006.
GARDNER JR., E. S. Exponential smoothing: The state of the art—Part II. International Journal of Forecasting, v. 22, p. 637– 666, 2006.
GORLA, N. Features to Consider in a Data Warehousing System. Communications
of the ACM, v. 46, n. 11, p. 111-115, 2003.
GRAY, J.; CHAUDHURI, S.; BOSWORTH, A.; LAYMAN, A.; REICHART, D.; VENKATRAO, M. Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tab, and Sub-Totals. Data Mining and Knowledge Discovery, v. 1, p. 29–53, 1997.
GRAY, P.; HATSON, H. J. Present and future directions in Data Warehousing. The
Data Base for Advances in Information Systems, v. 29, n. 3, Summer 1998.
HAAG, V. E.; STAROSTA, E. Oportunidades no mercado internacional para a
indústria farmacêutica brasileira: análise da dinâmica do setor e por produto. São
Paulo: Febrafarma – Federação Brasileira da Indústria Farmacêutica, 2006. 263 p.
HOEK, R.; VOS, B.; COMMANDEUR, H. Restructuring European Supply Chains by Implementing Postponement Strategies. Long Range Planning, v. 32, n. 5, p. 505- 518, 1999.
HUANG, S. M.; CHOU, T. H.; SENG, J. L. Data warehouse enhancement: A
semantic cube model approach. Information Sciences, v. 177, p. 2238–2254, 2007.
HYNDMAN, R.J.; KOEHLER, A. B. Another look at measures of forecast accuracy.
International Journal of Forecasting, v. 22, p. 679– 688, 2006.
IBM CORP. Intelligent Miner for Data: Enhance your Business Intelligence. San Jose, California, International Business Machine Corporation, SG24-5422-00 – 1980.
INMON, W.H.; IMHOFF, C.; SOUSA, R. Corporate Information Factory. New York: John Wiley & Sons, 1998. 377 p.
INMON, W.H. CRM analítico. In: ENCONTRO COM BILL INMON. São Paulo: Telebusiness Editora, 2001.
INMON, W.H. Building the Data Warehouse. 4th ed. Indianapolis: Wiley Computer Publishing, 2005. 543 p.
JARKE, M; JEUSFELD, M. A.; QUIX, C; VASSILIADIS, P. Architecture and Quality In Data Warehouses: An Extended Repository Approach. Information Sistems, v. 24, n. 3, p. 229-253, 1999.
JONES, M. E.; SONG, I.Y. Dimensional modeling: Identification, classification, and evaluation of patterns. Decision Support Systems, v. 45, n.1, p. 59–76, 2008.
KIMBALL, R. The Data Warehouse Toolkit: the complete guide to dimensional modeling. 2nd ed. New York: Wiley Computer Publishing, 2002. 436 p.
KOEHLER, A. B.; SNYDER, R. D.; ORD, J. K. Forecasting models and prediction intervals for the multiplicative Holt–Winters method. International Journal of
Forecasting, v. 17, n. 2, p. 269–286, 2001.
KOUTSOUKIS, N. S.; MITRA, G.; LUCAS, C. Adapting on-line analytical processing for decision modelling: the interaction of information and decision technologies.
Decision Support Systems, v. 26, n. 1, p. 1–30, 1999.
LAPIDE, L. A simple view of top-down versus bottom-up forecasting. The Journal of
Business Forecasting, v.17, n.2, p. 28-29, Summer 1998.
LEWIS-BECK, M. S. Applied regression: An introduction. Newbury Park, CA: Sage, 1980. 79 p.
LUSKIN, R. Standardized Coefficients, Correlations, and R2. Journal of Political
Science, v. 35, n. 4, p. 1032-1046, 1991.
MALINOWSKI, E.; ZIMANYI, E. A conceptual model for temporal data warehouses and its transformation to the ER and the object-relational models. Data &
Knowledge Engineering, v. 64, p. 101–133, 2008.
MAKRIDAKIS, S.; WHEELWRIGHT, S. C. Forecasting methods for management. 5th ed. New York: John Wiley & Sons, 1989. 470 p.
MAKRIDAKIS, S.G.; WHEELWRIGHT, S.C.; HYNDMAN, R.J. Forecasting: Methods and Application. 3rd ed. New York: John Willey & Sons, 1998. 642 p.
MCCARTHY, T.M.; DAVIS, D. F.; GOLICIC, S.L.; MENTZER, J.T. The Evolution of Sales Forecasting Management: A 20-Year Longitudinal Study of Forecasting Practices. Journal of Forecasting, v. 25, p. 303–324, 2006.
MCKENZIE, J. D.; GOLDMAN, R. The Student Edition of MINITAB for Windows
MENTZER, J.T ; COX, J.E. Familiarity, application, and performance of sales forecasting techniques. Journal of Forecasting. v. 3, n. 1, p. 27–36,1984.
MENTZER, J.T.; KAHN, K.B. Forecasting technique familiarity, satisfaction, usage, and application. Journal of Forecasting. v. 14, p. 465–476, 1995.
MENTZER, J. T.; KENT, J. L. Forecasting demand in the Longaberger Company.
Marketing Management. v. 8, n. 2, p. 46-50, Summer 1999.
MEREDITH, J. R.; RATURI, A.; AMOAKO-GYAMPAH, K.; KAPLAN, B. Alternative research paradigms in operations. Journal of Operations Management, v. 8, n. 4, p. 297 – 326, 1989.
MOON, M. A.; MENTZER, J. T.; SMITH, C. D.; GARVER, M. S. Seven Keys to Better Forecasting. Business Horizons, v. 41, n. 5, p. 44 – 52, Sept./Oct. 1998.
MURAYAMA, A. C. Tecnologias emergentes e novas iniciativas baseadas em
projetos de data warehouse. 2001. 184p. Dissertação (Mestrado) – Instituto de
Pesquisas Tecnológicas do Estado de São Paulo, Universidade de São Paulo, São Paulo, 2001.
MYERS, R. H.; MONTGOMERY, D. C.; VINING, G. G. Generalized linear models: with applications in engineering and sciences. New York: John Wiley & Sons, 2002. 342 p.
NIST/SEMATECH e-Handbook of Statistical Methods, Disponível em:
<http://www.itl.nist.gov/div898/handbook/ >. Acesso em: 13 abr. 2004.
PETERSON, R.; SILVER, E. A. Decision systems for inventory management and
production planning. 2nd ed. New York: John Wiley & Sons, 1985. 722 p.
PIDD, M. Just modeling through: a rough guide to modeling. Interfaces, v. 29, n. 2, p. 118-132, 1999.
RIGGS, J. L. Production systems: planning, analysis and control. 4th ed. New York : John Wiley & Sons, 1987. 745 p.
SCHROEDER, R. G. Operations Management: decision making in the operations function. 4th ed. New York:McGraw-Hill, 1993. 848 p.
SIPPER, D.; BULFIN, R. L. Jr. Production: planning, control and integration. New York: McGraw Hill, 1998. 640 p.
SLACK, N.; CHAMBERS, S.; JOHNSTON, R. Administração da Produção. Tradução de Maria Teresa Corrêa de Oliveira e Fábio Alher. Revisão técnica Henrique Luiz Corrêa. 2. ed. São Paulo: Atlas, 2002. 747 p.
SCHNAARS, S. P.. How to Develop and Use Scenarios. Long Range Planning, v. 20, n. 1, p. 105-114, 1987.
SCHWARZKOPH, A.B.; TERSINE, R.J.; MORRIS, J.S. Top-down versus bottom-up forecasting strategies. International Journal of Production Research. v. 26, n. 11, p. 1833–1843, 1988.
STEPHENS, M. A. EDF Statistics for Goodness of Fit and Some Comparisons.
Journal of the American Statistical Association, v. 69, p. 730-737, 1974.
SUBRAHMANYAN, S. Using quantitative models for setting retail prices. The
Journal of Product and Brand Management, v. 9, n. 5, p. 304-320, 2000.
TOLEDO, F. J. Perfil, hábitos e atitudes de consumidores de medicamentos e
produtos comercializados em Farmácias. São Paulo: Febrafarma - Federação
Brasileira da Indústria Farmacêutica, 2004. 27 p.
TURBAN, E.; ARONSON, J. E. Decision Support Systems and Intelligent
Systems. 6th ed. New Jersey: Prentice Hall, 2001. 867 p.
UYAK, V.; OZDEMIR, K.; TOROZ, I. Multiple linear regression modeling of
disinfection by-products formation in Istanbul drinking water reservoirs. Science of
the Total Environment, v. 378, n.3, p. 269–280, 2007.
WANKE, P. Previsão top-down ou bottom-up? Impacto nos níveis de erro e de estoques de segurança. Gestão e Produção, v. 15, n. 2, p. 231-245, 2008.
WATSON, H.J.; WIXOM, B.H. The Current State of Business Intelligence.
Computer, v. 40, n. 9, p. 96-99, 2007.
ZOTTERI, G.; KALCHSCHMIDT, M.; CANIATO, F. The impact of aggregation level on forecasting performance. International Journal of Production Economics, v. 93-94, p. 479 - 491, 2005.
APÊNDICE A – ON-LINE ANALYTICAL PROCESSING E DATA
WAREHOUSE
1 OLAP
Nos sistemas transacionais específicos de cada rotina operacional (On-Line Transational Processing ou OLTP), os dados de eventos de negócios são detalhados e o foco é operacional. Assim, estes são otimizados para atualizações e o armazenamento de dados abrange poucas semanas ou dias, pois os dados mudam com eventos de negócios em andamento.
Em 1993, E.F.Codd criou o conceito de Processamento Analítico On-Line (OLAP), ferramenta que transforma dados crus em informações que são facilmente compreendidas pelos usuários e refletem a real dimensionalidade dos negócios da empresa. Os dados devem ser agregados e históricos, fixos num ponto específico de tempo e abrangendo geralmente alguns anos de dados.
É uma ferramenta interativa, onde o usuário formula hipóteses, faz consultas, recebe informações, entre outras funções. Deve ser capaz de interagir facilmente com interfaces habituais dos usuários, como planilhas eletrônicas, processadores de texto, sistemas de apoio à decisão e outros. A comparação entre os conceitos OLTP e OLAP é sintetizada no quadro 13.
OLTP OLAP Dados transacionais detalhados e
correntes
Geralmente dados agregados e históricos
Foco operacional Foco estratégico
Dados mudando com eventos de negócios
Dados fixos num ponto específico de tempo
Alguns dias de dados Alguns anos de dados Orientado a aplicação Orientado a assunto
É importante salientar que as comparações não têm por objetivo definir qual dos dois sistemas é o melhor, pois eles têm aplicações distintas e complementares.
2 ROLAP
No final da década de 70, a técnica de modelagem de dados relacional surgiu graças ao pesquisador Chen, com o objetivo de criar uma linguagem simbólica para facilitar o diálogo entre os especialistas em tecnologia da informação e os usuários. O modelo de Chen possui entidades (objetos concretos ou abstratos) como: um ente físico ou jurídico (por exemplo, cliente), um documento (por exemplo, pedido de venda), um local (departamento de vendas), um histórico (vendas acumuladas), entre outros. Também possui relacionamentos (tabelas), que são interdependências de duplo sentido entre duas entidades. (FELICIANO NETO; FURLAN; HIGA, 1988) Um exemplo é: ALUNO – MATÉRIA onde cada aluno cursa de 1 a ‘n’ matérias e cada matéria é cursada por 1 a ‘n’ alunos.
ALUNO MATÉRIA João Matemática Maria Matemática Maria Física
Quadro 14 – Exemplo de Interdependência entre entidades
Cada registro (linha) da tabela é chamado de tupla. João é um atributo (ou dado) dentro da entidade aluno. Quando existem dados redundantes - entre outras anomalias - o processo chamado normalização causa a simplificação dos atributos dentro da respectiva tupla. A normalização tende a multiplicar o número de tabelas, dividindo funcionalmente em tabelas separadas os grupos de atributos dependentes. (MALINOWSKI; ZIMANYI, 2008).
Um banco de dados relacional é aquele visto pelo usuário como uma coleção de relações normalizadas de graus (binários, ternários) e variáveis no tempo. A relação serve para representar tanto as entidades como as suas associações.
O processamento analítico realizado sobre sistemas de bancos de dados relacionais ou Relational On-Line Analytical Processing (ROLAP) usa a arquitetura relacional, com tabelas relacionadas. Por exemplo, uma tabela pode conter três tipos de carros, onde cada um deles está relacionado com outra tabela: suas respectivas vendas por cor de carro. Assim, é possível saber quantos carros do modelo A e da cor vermelha foram vendidos, ou ainda, quantos carros do modelo B foram vendidos independentemente da cor, entre outras possibilidades de análise.
Structured Query Language ou SQL é uma linguagem de pesquisa para banco de dados relacional. O SQL foi desenvolvido originalmente no início dos anos 70 nos laboratórios da IBM, que tinha por objetivo demonstrar a viabilidade da implementação do modelo relacional proposto por E. F. Codd.
A palavra query vem do latim quœrere, que significa perguntar, inquirir, questionar. A query (ou consulta) provê a capacidade de enxergar virtualmente os dados armazenados num banco de dados, da forma que se queira.
Os comandos em SQL servem para manipular, definir, controlar e consultar dados. O comando “SELECT” é o mais comum e realiza consultas simples ou