1 / 30

Projeto de um Data Warehouse para a Saúde Pública

Projeto de um Data Warehouse para a Saúde Pública. Ricardo S. Santos - DIS/Unifesp Marco Antônio Gutierrez - INCOR Sérgio Furuie - INCOR Umberto Tachinardi - SES-SP. AGENDA. Introdução A proposta do projeto Metodologia e Estratégia de Desenvolvimento A carga dos Dados

corbin
Download Presentation

Projeto de um Data Warehouse para a Saúde Pública

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Projeto de um Data Warehouse para a Saúde Pública Ricardo S. Santos - DIS/Unifesp Marco Antônio Gutierrez - INCOR Sérgio Furuie - INCOR Umberto Tachinardi - SES-SP

  2. AGENDA • Introdução • A proposta do projeto • Metodologia e Estratégia de Desenvolvimento • A carga dos Dados • A exibição da Informação • Resultados e Discussão • Conclusões

  3. Introdução

  4. OBJETIVO O objetivo deste trabalho é apresentar um projeto de implementação de um Data Warehouse (DW) destinado à gestão da saúde pública. O DW pretende suprir a Secretaria de Estado de Saúde de São Paulo (SES-SP) com informação gerencial obtida através da integração de dados provenientes de diversas fontes isoladas. KDD – Knowledge Discovering in Databases

  5. DEFINIÇÕES Plataforma que contém os dados da organização, centralizados e organizados de forma que usuários, de maneira muito simples, possam extrair relatórios analíticos, complexos, contendo informações gerenciais para apoio à decisão. (Shams, 2001).

  6. OLAP Server Metadata Analysis Query Reports Data mining Serve Data Warehouse Extract Transform Load Refresh Data Marts Data Storage OLAP Engine Front-End Tools Contexto do DW other sources Operational DBs Data Sources

  7. DEFINIÇÕES • Metadados: Dados a respeito de dados • Descrevem completamente os dados (bases) que representam, permitindo ao usuário decidir sobre a utilização desses dados da melhor forma possível. • Um item de um metadado pode dizer do que se trata aquele dado, geralmente uma informação inteligível por um computador. • Os metadados facilitam o entendimento dos relacionamentos e a utilidade das informações dos dados.

  8. DEFINIÇÕES • Ferramentas ETL • ETL - Extração, Transformação e Carga de Dados • O ETL ou ETT (Extração, Transformação e Transporte) • Parte do Data Warehouse responsável por ler os dados do sistema origem, Tratar, Limpar, Transformar e Carregar esses dados no Data Warehouse. • Uma das fases mais criticas de um Data Warehouse: envolve a movimentação dos dados. • Poderosa fonte de geração de metadados, e que contribuem muito para a produtividade da equipe de TI. • 1. definir fontes de dados e fazer a extração deles • 2. transformar e limpar os dados, padronizar (reduzir inconsistência e lixo) • 3. integrar todas fontes de dados num único banco (garantir integridade dos dados)

  9. DEFINIÇÕES • Ferramentas OLAP - On-lineAnalyticalProcessing • Voltadas para o suporte à decisão. • para acesso e manipulação de grandes depósitos de dados; • integração de informações provenientes de fontes diversas • software que permite analisar e visualizar dados corporativos de forma rápida, consistente e principalmente interativa • permitem análises estatísticas sofisticadas e simulação eficiente de novas associações entre os dados. • espaço multidimensional, onde cada eixo representa uma dimensão e os pontos neste espaço com um valor medido correspondente a interseção dos elementos correspondentes em dada dimensão . • ferramenta de Business Inteligente utilizada para apoiar as empresas na análise ad-hoc de suas informações, visando obter novos conhecimentos que são empregados na tomada de decisão.

  10. Hierarquia: • Geografia • País • Estado • Cidade • Etc... Cubo Dimensões Membros Termos do Olap Produto Florianópolis Lages Geografia Medidas: É representada por uma dimensãoespecial utilizada para realizar comparações. Inclui membros como: custos, lucros ou taxas. Trombudo Central Curitibanos 1999 Leite Pão 2000 Chá 2001 Tempo Água 2002

  11. DEFINIÇÕES • Data mining • estudo comportamental dos dados • vinculado à disciplinas como redes neurais, inteligência artificial e lógica nebulosa • Objetivo: fazer modelos de previsão e apresentar tendências e relações ocultas entre os dados

  12. EXEMPLOS DE FERRAMENTAS COMERCIAIS • Ferramentas ETL • DTS (Data TransformationService) • Data Stage, ETI, Acta e Sagent • Cognos Business IntelligencePlatform • MicroStrategy; 7i Platform; Aplix • Ferramentas OLAP • OLAP Option, da Oracle • AnalysisServices, da Microsoft. • DSS MicroStrategy • Maestro • Ferramentas Data mining • SAS Enterprise Miner • IBM IntelligentMiner • Oracle Darwin Data Mining Software

  13. A Proposta do Projeto

  14. ESCOPO DO PROJETO As fontes de dados correspondem às bases de dados provenientes dos sistemas do DATASUS, além de planilhas e documentos internos. As informações produzidas devem atender aos gestores municipais, diretores regionais e os coordenadores.

  15. Metodologia e Estratégia de Desenvolvimento

  16. METODOLOGIA INMON

  17. METODOLOGIA PROPOSTA

  18. ESTRATÉGIA PROPOSTA A estratégia adotada é a criação de um banco de dados relacional (operacional) além do dimensional. O principal motivo é manter os dados fontes em um meio mais seguro.

  19. FERRAMENTAS UTILIZADAS

  20. O processo de Carga

  21. ETAPAS DA CARGA Na primeira fase os dados dos sistemas fontes (DATASUS) são carregados em um banco relacional, e posteriormente, são transportados para o banco dimensional. Oracle Warehouse Buider Ferramenta Desenvolvida

  22. FERRAMENTA DESENVOLVIDA Efetua Download, compara e atualiza a estrutura, verifica conteúdo e unifica movimentos.

  23. A exibição da Informação

  24. FERRAMENTA OLAP - Cadastramento das descrições dos dados e das regras de negócio no metadados. - Desenvolvimento de relatórios e consultas pré-definidos para atender os principais requisitos.

  25. Resultados e Discussão

  26. STATUS DO PROJETO • Fase final de implementação do primeiro módulo (SAI - Sistemas de Informações Ambulatoriais). • Considerando apenas o módulo SIA, o volume mensal de dados para serem carregados no DW é de 1.800.000 registros, que corresponde a aproximadamente a 211 Mb. Acrescentando as tabelas auxiliares, este número aproxima-se de 250 Mb. Isto corresponde a 2,9 Gb por ano. • Os tempos para o processo de carga estão plenamente satisfatórios, mesmo sendo realizados os testes de performance em um ambiente muito inferior ao ambiente de produção. (Primeira fase = 2 Horas, Segunda fase = 10 Minutos)

  27. DESAFIOS E AÇOES ADOTADAS

  28. Conclusões

  29. O estágio atual do projeto, mostra um resultado positivo que supera as expectativas iniciais e encoraja a implementação dos demais módulos. • O projeto foi desenvolvido utilizando um conjunto de ferramentas robustas e adotando metodologia adequada para garantir o sucesso do empreendimento. • Os fatores mensuráveis apresentaram números positivos. O volume de dados é razoável, comparado a outros projetos, e o desempenho dos procedimentos de carga está plenamente satisfatório. • Os próximos passos, já em andamento, são a avaliação da satisfação dos usuários para o módulo desenvolvido e a implementação dos demais módulos.

  30. Projeto de um Data Warehouse para a Saúde Pública Contato: rsantos-pg@dis.epm.br rsantos@compumedica.com.br

More Related