Pular para o conteúdo principal

(E) Comece com os requisitos da empresa - não com a tecnologia

O que o deixou interessado em construir sistemas? Para muitos de nós,foi a paixão pela tecnologia. Gostamos de escrever sistemas elegantes, que apresentam belas figuras na tela de algum usuário injustiçado. Nossa resposta para praticamente todo problema é "construir um novo sistema".

Bem, infelizmente, o data warehouse não tem a ver com tecnologia. Ele tem a ver com resolução de problemas empresariais. Um segredo para o sucesso do data warehouse é começar focalizando as informações de que a empresa precisa para prosperar e não a tecnologia que vamos usar para entregar essas informações.

As tecnologias de consulta e navegação de dados são "bacanas" e os desenvolvedores tendem a querer mexer com elas. Na verdade, já vi projeto, onde a equipe passou os primeiros seis meses escolhendo a ferramenta de consulta e navegação de dados e depois aprendendo a utilizá-la. As estruturas de dados ficaram relegadas a segundo plano. Os gerentes e os usuários finais não são pessoas estúpidas. Eles podem e sabem identificar quando um progresso real está ocorrendo e quando não está. No final, os gerentes dessa empresa ficaram tão frustrados, que cancelaram o projeto inteiro. Posteriormente, ele foi reiniciado, mas com um novo gerente de projeto, que foi instruído a retirar a ênfase nas ferramentas.

É importante lembrar que a maior parte dos data warehouses corretamente projetados será acessada por uma variedade de tecnologias. Assim, focalizar qualquer tecnologia de consulta e navegação de dados pode desviar a concentração da equipe com relação à construção da flexibilidade necessária para o projeto inteiro.

Também lembre-se de que as tecnologias aparecem e desaparecem. O prato do dia pode ser Oracle Hyperion, mas amanhã, pode ser MicroStrategy. Independentemente do que um vendedor de soluções possa dizer, a peça estratégica real do data warehouse são os dados. É fundamental que as estruturas de dados reflitam precisamente as exigências da empresa e que elas contenham dados corretos e confiáveis. É só lembrar do ditado LE/LS ou "lixo que entra é igual ao lixo que sai". Faça todo o possível para proteger a integridade dos dados armazenados em seu data warehouse.

Há uma advertência. Determinadas ferramentas ou tecnologias de consulta e navegação de dados exigem típos específicos de estruturas de dados para funcionar. Sendo assim, recomendo que tais ferramentas sejam vistas como tecnologias de consulta com função restrita, em vez de uma solução com componentes integrados capaz de propiciar à empresa um ambiente de informação gerencial e estratégica robusta, confiável e escalável.

Comentários

Postagens mais visitadas deste blog

(A) Data Science in Practice with Python

The top trending in Twitter or other social network is the term “data science”. But ...
What’s the data science? How do real companies use data science to make products, services and operations better? How does it work? What does the data science lifecycle look like?  This is the buzzword at the moment. A lot of people ask me about it. Are many questions. I’ll try answer all of these questions through of some samples.

Sample 1 - Regression

WHAT IS A REGRESSION? This is the better definition what I found [Source: Wikipedia] - Regression analysis is widely used for prediction and forecasting, where its use has substantial overlap with the field of machine learning.
HOW DOES IT WORK? Regression analysis is also used to understand which among the independent variables are related to the dependent variable, and to explore the forms of these relationships. In restricted circumstances, regression analysis can be used to infer causal relationships between the independent and dependent variable…

(A) Tucson Best Buy Analysis

“Data! Data! Data!” he cried impatiently.  “I can’t make bricks without clay.” —Arthur Conan Doyle
The Ascendance of Data

We live in a world that’s drowning in data. Websites track every user’s every click. Your smartphone is building up a record of your location and speed every second of every day. “Quantified selfers” wear pedometers-on-steroids that are ever recording their heart rates, movement habits, diet, and sleep patterns. Smart cars collect driving habits, smart homes collect living habits, and smart marketers collect purchasing habits. The Internet itself represents a huge graph of knowledge that contains (among other things) an enormous cross-referenced encyclopedia; domain-specific databases about movies, music, sports results, pinball machines, memes, and cocktails; and too many government statistics (some of them nearly true!) from too many governments to wrap your head around.
Buried in these data are answers to countless questions that no one’s ever thought to ask. In…

(A) Data Science in Practice with Python - Sample 2

In this post I'll explain what is a recommender system, how work it and show you some code examples. In my previous post I did a quick introduction:

Sample 2 - Recommender System

WHAT IS A RECOMMENDER SYSTEM? A model that filters information to present users with a curated subset of options they’re likely to find appealing.
HOW DOES IT WORK? Generally via a collaborative approach (considering user’s previous behavior) or content based approach (based on discrete assigned characteristics).

Now I'll get into in some concepts very important about recommender systems.

Recommender System in Details:

We can say that the goal of a recommender system is to make product or service recommendations to people. Of course, these recommendations should be for products or services they’re more likely to want buy or consume.

Recommender systems are active information filtering systems which personalize the information coming to a user based on his interests, relevance of the information etc.…