BI do Problema ao Dashboard

Saudações aos entusiastas do mundo dos dados! Estou empolgado para apresentar uma série exclusiva no Dados ao Cubo chamada Business Intelligence — Do Problema ao Dashboard, ou simplesmente BI do Problema ao Dashboard. Sendo assim, vamos explorar o fluxo completo da resolução de um problema usando Business Intelligence. Então, partiu construir um dashboard do BI!

Introdução ao Business Intelligence — Do Problema ao Dashboard

Primeiramente, vamos estabelecer alguns conceitos fundamentais. O que é business intelligence? Qual é o papel do profissional de business intelligence? Como é a arquitetura do BI? Vamos mergulhar nessas questões para construir o projeto de BI do Dados ao Cubo.

Ambiente de Desenvolvimento para Business Intelligence

Em seguida, vamos montar um ambiente de desenvolvimento para business intelligence. Apresentarei ferramentas e bancos de dados, abrangendo ETL, DataViz e outras auxiliares para facilitar nossa jornada. Nosso ambiente de BI será composto por: PostgreSQL, Pentaho, Power BI, DBeaver e SQL Power Architect — todas open source.

Definições para Projetos de Business Intelligence

Partimos então para as definições do projeto, dividindo-o em quatro tópicos essenciais: 1. Definindo o Problema, 2. Mapeando as Fontes de Dados, 3. Identificando Dimensões e Fatos, e 4. Calculadora de Projetos Business Intelligence (uma criação própria, resultante das práticas diárias na área). Essas etapas nos guiarão no desenvolvimento do projeto de BI do Dados ao Cubo.

Linguagem SQL e os Bancos de Dados Relacionais

Aqui, enfrentaremos o pesadelo de alguns e a felicidade de outros. Portanto, fique tranquilo, detalharei ao máximo. Assim, começaremos com conceitos de dados relacionais, avançando para comandos básicos em SQL. Então, concluiremos com exemplos mais elaborados no projeto do Dados ao Cubo.

Modelagem de Dados para Business Intelligence

Esta é uma etapa crucial! Apresentarei bancos multidimensionais e a modelagem em fato e dimensão. Juntos, construiremos a modelagem do projeto de BI do Dados ao Cubo como exemplo prático.

ETL com Pentaho

Aqui as coisas começam a esquentar. Você sabe o que é ETL? Se não, vou te contar! E conhece o Pentaho? Se não, sairá daqui entendendo. Aplicaremos na prática a modelagem que construímos na etapa anterior.

DataViz com Power BI

Se você chegou até aqui, parabéns! Esta é a melhor parte, o estado da arte. Por fim, é a hora de contar a sua história sobre os dados do problema apresentado. Mais do que a beleza, focaremos em bons indicadores, dados consistentes, confiáveis e que geram valor ao negócio. Com tudo isso em mãos, capriche na visualização para transmitir de forma impactante a história desses dados.

BI Dashboard ao Cubo

Você pode estar se perguntando: “Lá vem mais um querendo me enrolar sem me mostrar como fazer tudo isso.” Calma! Apresentei apenas uma visão geral aqui. Em cada tópico, há um link para o conteúdo completo de cada etapa! Dessa forma, navegamos na configuração do ambiente, mapeamos o problema, fizemos a modelagem dos dados e construimos o ETL e dashboard do BI. Depois, me conte o que achou do BI do Problema ao Dashboard. E lembre-se o dashboard é uma entrega do BI, ETL é uma etapa do BI, BI é processo e não ferramenta. O que faltou? O que não gostou? Um abraço e até a próxima.

Conteúdos ao Cubo

Portanto, se você curtiu o conteúdo, lá no Dados ao Cubo tem muito mais. Sendo assim, deixo algumas sugestões de conteúdos que você pode encontrar por lá, sempre falando sobre o mundo dos dados.

• Boas Práticas de Visualização de Dados Parte I
• Boas Práticas de Visualização de Dados Parte II
• Machine Learning com ML.Net no Jupyter Notebook
• Análise Exploratória com ML.Net e Jupyter Notebook no Ubuntu
• ML.Net – Modelos em Produção com WebApi e Docker
• AutoML (Automated Machine Learning) com ML.Net
• Classificação com scikit-learn
• Pipeline de Dados Airbyte com GA4 e Snowflake

Então, finalizo com um convite para você se tornar um Parceiro de Publicação Dados ao Cubo, escrever o próximo artigo e ter divulgação para toda a comunidade de dados no LinkedIn. Mas fique atento para mais insights valiosos nos próximos conteúdos.