{"id":4542,"date":"2022-06-21T19:08:11","date_gmt":"2022-06-22T03:08:11","guid":{"rendered":"https:\/\/www.gudusoft.com\/?p=4542"},"modified":"2022-06-21T19:19:42","modified_gmt":"2022-06-22T03:19:42","slug":"what-is-a-data-mart-data-warehouse","status":"publish","type":"post","link":"https:\/\/www.gudusoft.com\/pt\/o-que-e-um-data-mart-data-warehouse\/","title":{"rendered":"O que \u00e9 um Data Mart? | Data Mart vs Data Warehouse"},"content":{"rendered":"<div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-1 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"background-color: rgba(255,255,255,0);background-position: center center;background-repeat: no-repeat;border-width: 0px 0px 0px 0px;border-color:#e8eaf0;border-style:solid;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start\" style=\"max-width:1310.4px;margin-left: calc(-4% \/ 2 );margin-right: calc(-4% \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-0 fusion_builder_column_1_1 1_1 fusion-flex-column\"><div class=\"fusion-column-wrapper fusion-flex-justify-content-flex-start fusion-content-layout-column\" style=\"background-position:left top;background-repeat:no-repeat;-webkit-background-size:cover;-moz-background-size:cover;-o-background-size:cover;background-size:cover;padding: 0px 0px 0px 0px;\"><div class=\"fusion-text fusion-text-1\" style=\"line-height:26px;\"><h2><strong>O que \u00e9 um Data Mart?\u00a0<\/strong><\/h2>\n<p>UM <strong><a href=\"https:\/\/www.dpriver.com\/blog\/2022\/06\/21\/what-is-a-data-mart\/\">mercado de dados<\/a><\/strong> \u00e9 um warehouse que coleta dados de dados operacionais e outras fontes de dados que atendem a um grupo espec\u00edfico de profissionais. Em termos de escopo, os dados s\u00e3o extra\u00eddos de um banco de dados de toda a empresa ou de um banco de dados mais especializado <a href=\"https:\/\/www.gudusoft.com\/pt\/o-que-e-um-data-warehouse\/\"><strong>Armaz\u00e9m de dados<\/strong><\/a>. O ponto de um data center \u00e9 que ele atende \u00e0s necessidades espec\u00edficas de grupos de usu\u00e1rios profissionais em termos de an\u00e1lise, conte\u00fado, desempenho e facilidade de uso. Os usu\u00e1rios de data centers esperam que os dados sejam representados em termos com os quais est\u00e3o familiarizados.<\/p>\n<h3>Data Mart vs Data Warehouse:<\/h3>\n<p>Um data warehouse \u00e9 uma cole\u00e7\u00e3o de dados integrada e orientada a assuntos, projetada para dar suporte \u00e0 fun\u00e7\u00e3o DSS (Decision Support System). Em um data warehouse, cada unidade de dados \u00e9 associada a um tempo espec\u00edfico. Um data warehouse, que consiste em dados de n\u00edvel at\u00f4mico e dados levemente agregados, \u00e9 uma cole\u00e7\u00e3o de dados orientada a t\u00f3picos, integrada, n\u00e3o atualiz\u00e1vel (est\u00e1vel) e vari\u00e1vel no tempo para dar suporte ao processo de tomada de decis\u00e3o na gest\u00e3o empresarial.<\/p>\n<div id=\"attachment_4548\" style=\"width: 904px\" class=\"wp-caption aligncenter\"><img aria-describedby=\"caption-attachment-4548\" decoding=\"async\" class=\"size-full wp-image-4548\" src=\"https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse.png\" alt=\"Data Mart vs Data Warehouse\" width=\"894\" height=\"404\" srcset=\"https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-200x90.png 200w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-300x136.png 300w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-400x181.png 400w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-600x271.png 600w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-768x347.png 768w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-800x362.png 800w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse.png 894w\" sizes=\"(max-width: 894px) 100vw, 894px\" \/><p id=\"caption-attachment-4548\" class=\"wp-caption-text\">Data Mart vs Data Warehouse<\/p><\/div>\n<p>Ent\u00e3o, o data mart \u00e9 um subconjunto de data warehouse de n\u00edvel empresarial, que \u00e9 principalmente orientado para neg\u00f3cios de n\u00edvel de departamento e apenas orientado para um t\u00f3pico espec\u00edfico. Para resolver a contradi\u00e7\u00e3o entre flexibilidade e desempenho, um data mart \u00e9 um pequeno data warehouse de n\u00edvel de departamento ou grupo de trabalho adicionado \u00e0 arquitetura de data warehouse. Os data marts armazenam dados pr\u00e9-computados para usu\u00e1rios espec\u00edficos para atender \u00e0s necessidades de desempenho dos usu\u00e1rios. Eles podem aliviar o gargalo de acesso a data warehouses at\u00e9 certo ponto.<\/p>\n<h3>Caracter\u00edsticas do Data Mart:<\/h3>\n<ul>\n<li>pequeno em tamanho;<\/li>\n<li>t\u00eam aplica\u00e7\u00f5es espec\u00edficas;<\/li>\n<li>orientado para o departamento;<\/li>\n<li>definido, projetado e desenvolvido por unidades de neg\u00f3cios;<\/li>\n<li>gerenciado e mantido por unidades de neg\u00f3cios;<\/li>\n<li>pode ser implementado rapidamente;<\/li>\n<li>mais barato para comprar;<\/li>\n<li>r\u00e1pida recupera\u00e7\u00e3o do investimento;<\/li>\n<li>integra\u00e7\u00e3o estreita de conjuntos de ferramentas;<\/li>\n<li>fornece um subconjunto mais detalhado, preexistente e resumido do data warehouse;<\/li>\n<li>atualiz\u00e1vel para um data warehouse completo;<\/li>\n<\/ul>\n<h3>A estrutura de dados de um Data Mart:<\/h3>\n<p>A estrutura de dados em um data mart \u00e9 frequentemente descrita como uma estrutura de estrela ou floco de neve. Uma estrutura de estrela consiste em duas partes b\u00e1sicas \u2013 uma tabela de fatos e v\u00e1rias tabelas de dimens\u00e3o de suporte.<\/p>\n<h4>1.F<span class=\"Y2IQFc\" lang=\"en\">mesa de ato<\/span><\/h4>\n<p>A tabela de fatos descreve os dados mais densos no data mart. Em uma empresa telef\u00f4nica, os dados usados para chamadas s\u00e3o tipicamente os mais densos. Em bancos, dados relacionados a reconcilia\u00e7\u00e3o e caixas eletr\u00f4nicos s\u00e3o tipicamente os mais intensivos. Para varejo, dados de vendas e estoque s\u00e3o os mais densos e assim por diante.<\/p>\n<p>Uma tabela de fatos \u00e9 uma combina\u00e7\u00e3o de v\u00e1rios tipos de dados que s\u00e3o pr\u00e9-unidos, incluindo: uma chave prim\u00e1ria da entidade que reflete a finalidade da tabela de fatos, como um pedido, uma venda, uma chamada telef\u00f4nica, etc., informa\u00e7\u00f5es de chave prim\u00e1ria, chaves estrangeiras que conectam a tabela de fatos \u00e0 tabela de dimens\u00e3o e dados externos n\u00e3o-chave transportados pelas chaves estrangeiras.<\/p>\n<p>Se esses dados externos n\u00e3o essenciais forem usados com frequ\u00eancia para <strong><a href=\"https:\/\/www.gudusoft.com\/pt\/habilidades-de-analistas-de-dados\/\">an\u00e1lise de dados<\/a><\/strong> in the fact table, it is included in the scope of the fact table. Fact tables are highly indexed. It is very common to have 30 to 40 indexes on a fact table. Sometimes each column of the fact table is indexed, and the result is that the data in the fact table is very easy to read. However, the number of resources required to import the index must factor into the equation. Normally, fact table data cannot be changed, but data can be entered, and once a record is entered correctly, nothing can be changed for that record.<\/p>\n<h4>2. Tabela de Dimens\u00f5es<\/h4>\n<p>As tabelas de dimens\u00e3o s\u00e3o constru\u00eddas em torno de tabelas de fatos. A tabela de dimens\u00e3o cont\u00e9m dados n\u00e3o intensivos que s\u00e3o vinculados \u00e0 tabela de fatos por meio de uma chave estrangeira. As tabelas de dimens\u00e3o t\u00edpicas s\u00e3o baseadas em data marts, incluindo cat\u00e1logos de produtos, listas de clientes, listas de fornecedores e assim por diante.<\/p>\n<p>Os dados no data mart v\u00eam do data warehouse empresarial. Todos os dados, com uma exce\u00e7\u00e3o, devem passar por um data warehouse empresarial antes de serem importados para um data mart. A exce\u00e7\u00e3o a isso s\u00e3o os dados espec\u00edficos usados no data mart, que n\u00e3o podem ser usados em outro lugar no data warehouse. Dados externos geralmente se enquadram nessa categoria. Se esse n\u00e3o for o caso, e os dados forem usados em outro lugar no sistema de suporte \u00e0 decis\u00e3o, os dados devem passar pelo data warehouse empresarial.<\/p>\n<p>Os data marts cont\u00eam dois tipos de dados, geralmente <strong>dados detalhados<\/strong> e <strong>dados agregados<\/strong>.<\/p>\n<h4>1. Dados detalhados<\/h4>\n<p>Conforme descrito anteriormente, os dados detalhados no data mart est\u00e3o contidos em uma estrutura em estrela. Vale mencionar que o esquema em estrela \u00e9 bem agregado \u00e0 medida que os dados passam pelo data warehouse corporativo. Nesse caso, o data warehouse corporativo cont\u00e9m os dados b\u00e1sicos necess\u00e1rios, e o data mart cont\u00e9m os dados de tamanho de intervalo maior. No entanto, na mente dos usu\u00e1rios do data mart, os dados estruturados em estrela s\u00e3o t\u00e3o detalhados quanto eram quando foram adquiridos.<\/p>\n<h4>2. Dados agregados<\/h4>\n<p>O segundo tipo de dados que um data mart cont\u00e9m s\u00e3o dados agregados. Analistas normalmente criam v\u00e1rios dados agregados a partir de dados em um star schema. Um rollup t\u00edpico pode ser o total de vendas mensais para os territ\u00f3rios de vendas. Como a base da agrega\u00e7\u00e3o est\u00e1 em constante evolu\u00e7\u00e3o, os dados hist\u00f3ricos est\u00e3o no data mart. Mas a vantagem desses dados hist\u00f3ricos est\u00e1 no n\u00edvel de generaliza\u00e7\u00e3o que eles armazenam. Muito poucos dados hist\u00f3ricos s\u00e3o mantidos no star schema.<\/p>\n<p>Os data marts s\u00e3o atualizados com base em data warehouses corporativos. N\u00e3o \u00e9 incomum que eles sejam atualizados cerca de uma vez por semana. No entanto, o tempo de atualiza\u00e7\u00e3o do data mart pode ser menor que uma semana ou maior que uma semana, o que \u00e9 determinado principalmente pelas necessidades do departamento ao qual o data mart pertence.<\/p>\n<h3>Tipos de Data Mart:<\/h3>\n<h4>1. Independent<\/h4>\n<p>Os dados do data mart independente v\u00eam do banco de dados operacional, que \u00e9 um ambiente anal\u00edtico estabelecido para atender \u00e0s necessidades de usu\u00e1rios especiais. O ciclo de desenvolvimento desse tipo de data mart \u00e9 geralmente curto e flex\u00edvel, mas, como \u00e9 separado do data warehouse, um data mart independente pode levar \u00e0 exist\u00eancia de ilhas de informa\u00e7\u00f5es, e os dados n\u00e3o podem ser analisados de uma perspectiva global.<\/p>\n<h4>2. Subordinado<\/h4>\n<p>Os dados do data mart subordinado v\u00eam do data warehouse da empresa, o que prolongar\u00e1 o ciclo de desenvolvimento, mas o data mart subordinado \u00e9 mais est\u00e1vel em arquitetura do que o data mart independente, o que pode melhorar o <strong><a href=\"https:\/\/www.gudusoft.com\/pt\/como-melhorar-a-qualidade-dos-dados\/\">qualidade dos dados<\/a><\/strong> an\u00e1lise e garantir a consist\u00eancia dos dados.<\/p>\n<h3>Vantagens do Data Mart:<\/h3>\n<ul>\n<li>\u00c9 uma das alternativas mais econ\u00f4micas para data warehouses onde voc\u00ea s\u00f3 precisa processar um pequeno subconjunto de dados.<\/li>\n<li>Separar dados de fontes tornar\u00e1 os data marts mais eficientes porque um grupo espec\u00edfico de pessoas pode trabalhar em dados de uma fonte espec\u00edfica, em vez de todos usarem o data warehouse.<\/li>\n<li>Se soubermos qual subconjunto precisamos acessar, podemos usar data marts para acessar os dados mais rapidamente.<\/li>\n<li>Mais f\u00e1cil de usar para que os usu\u00e1rios finais possam consult\u00e1-lo facilmente.<\/li>\n<li>Como os dados s\u00e3o segregados em grupos, leva menos tempo para entrar no data mart de tempo de implementa\u00e7\u00e3o do que em um data warehouse.<\/li>\n<li>Dados hist\u00f3ricos de t\u00f3picos espec\u00edficos podem ser usados para facilitar a an\u00e1lise de tend\u00eancias.<\/li>\n<\/ul>\n<h3>Etapas para implementar um Data Mart:<\/h3>\n<h4>Etapa 1. Projetando:<\/h4>\n<p>Este ser\u00e1 o primeiro passo da implementa\u00e7\u00e3o, no qual todas as tarefas e fontes necess\u00e1rias para coletar informa\u00e7\u00f5es t\u00e9cnicas e comerciais s\u00e3o identificadas. Um plano l\u00f3gico \u00e9 implementado mais tarde e, ap\u00f3s revis\u00e3o, \u00e9 convertido em um plano f\u00edsico. Al\u00e9m disso, aqui a estrutura l\u00f3gica e f\u00edsica dos dados \u00e9 decidida, como particionar os dados e campos de parti\u00e7\u00e3o como data ou qualquer outro arquivo.<\/p>\n<h4>Etapa 2. Constru\u00e7\u00e3o:<\/h4>\n<p>Este \u00e9 o segundo est\u00e1gio da implementa\u00e7\u00e3o, a gera\u00e7\u00e3o do banco de dados f\u00edsico com a ajuda do RDBMS \u00e9 determinada como parte do processo de design e estrutura l\u00f3gica. Crie todos os objetos como esquemas, \u00edndices, tabelas, visualiza\u00e7\u00f5es, etc.<\/p>\n<h4><strong>Etapa 3. Preenchendo:<\/strong><\/h4>\n<p>Este \u00e9 o terceiro est\u00e1gio, onde voc\u00ea preenche os dados conforme os busca. Todas as transforma\u00e7\u00f5es necess\u00e1rias s\u00e3o implementadas antes que os dados sejam preenchidos.<\/p>\n<h4><strong>Etapa 4. Acessando:\u00a0<\/strong><\/h4>\n<p>Este \u00e9 o pr\u00f3ximo passo na implementa\u00e7\u00e3o, usaremos os dados populados para consultar e criar um relat\u00f3rio. Usu\u00e1rios finais usam este passo para entender os dados usando a consulta.<\/p>\n<h4>Etapa 5. Gerenciando:<\/h4>\n<p>Este \u00e9 o est\u00e1gio final da implementa\u00e7\u00e3o do data mart, onde tarefas como gerenciamento de acesso, otimiza\u00e7\u00e3o e ajuste do sistema, gerenciamento e adi\u00e7\u00e3o de novos dados ao data mart e planejamento de cen\u00e1rios de recupera\u00e7\u00e3o para lidar com quaisquer cen\u00e1rios de falha s\u00e3o realizadas aqui.<\/p>\n<h3>Conclus\u00e3o<\/h3>\n<p>Obrigado por ler nosso artigo e esperamos que voc\u00ea tenha gostado. Se voc\u00ea quiser saber mais sobre <strong><a href=\"https:\/\/www.gudusoft.com\/pt\/category\/data-governance-101\/\">governan\u00e7a de dados<\/a><\/strong>, gostar\u00edamos de aconselh\u00e1-lo a visitar <strong><a href=\"https:\/\/www.gudusoft.com\/pt\/\">Gudu SQLFlow<\/a><\/strong> para maiores informa\u00e7\u00f5es.<\/p>\n<p>Como um dos\u00a0<strong><a href=\"https:\/\/www.dpriver.com\/blog\/2022\/05\/11\/best-data-lineage-tools\/\" target=\"_blank\" rel=\"noopener noreferrer\">melhores ferramentas de linhagem de dados<\/a><\/strong>\u00a0dispon\u00edvel no mercado hoje, o Gudu SQLFlow pode n\u00e3o apenas analisar arquivos de script SQL, obter <strong><a href=\"https:\/\/www.gudusoft.com\/pt\/whats-data-lineage-why-important\/\">linhagem de dados<\/a><\/strong>, e executar exibi\u00e7\u00e3o visual, mas tamb\u00e9m permitir que os usu\u00e1rios forne\u00e7am linhagem de dados em formato CSV e executem exibi\u00e7\u00e3o visual.\u00a0<strong>(Publicado por Ryan em 22 de junho de 2022)<\/strong><\/p>\n<\/div><\/div><\/div><style type=\"text\/css\">.fusion-body .fusion-builder-column-0{width:100% !important;margin-top : 0px;margin-bottom : 0px;}.fusion-builder-column-0 > .fusion-column-wrapper {padding-top : 0px !important;padding-right : 0px !important;margin-right : 1.92%;padding-bottom : 0px !important;padding-left : 0px !important;margin-left : 1.92%;}@media only screen and (max-width:1024px) {.fusion-body .fusion-builder-column-0{width:100% !important;}.fusion-builder-column-0 > .fusion-column-wrapper {margin-right : 1.92%;margin-left : 1.92%;}}@media only screen and (max-width:640px) {.fusion-body .fusion-builder-column-0{width:100% !important;}.fusion-builder-column-0 > .fusion-column-wrapper {margin-right : 1.92%;margin-left : 1.92%;}}<\/style><\/div><style type=\"text\/css\">.fusion-body .fusion-flex-container.fusion-builder-row-1{ padding-top : 0px;margin-top : 0px;padding-right : 0px;padding-bottom : 0px;margin-bottom : 0px;padding-left : 0px;}<\/style><\/div>","protected":false},"excerpt":{"rendered":"","protected":false},"author":27,"featured_media":4573,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[178],"tags":[193,187,191,188,190,189,157,192],"_links":{"self":[{"href":"https:\/\/www.gudusoft.com\/pt\/wp-json\/wp\/v2\/posts\/4542"}],"collection":[{"href":"https:\/\/www.gudusoft.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gudusoft.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/pt\/wp-json\/wp\/v2\/users\/27"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/pt\/wp-json\/wp\/v2\/comments?post=4542"}],"version-history":[{"count":29,"href":"https:\/\/www.gudusoft.com\/pt\/wp-json\/wp\/v2\/posts\/4542\/revisions"}],"predecessor-version":[{"id":4574,"href":"https:\/\/www.gudusoft.com\/pt\/wp-json\/wp\/v2\/posts\/4542\/revisions\/4574"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/pt\/wp-json\/wp\/v2\/media\/4573"}],"wp:attachment":[{"href":"https:\/\/www.gudusoft.com\/pt\/wp-json\/wp\/v2\/media?parent=4542"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gudusoft.com\/pt\/wp-json\/wp\/v2\/categories?post=4542"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gudusoft.com\/pt\/wp-json\/wp\/v2\/tags?post=4542"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}