O uso de Data Mart para apoio à tomada de decisão na Gestão de Pessoas em uma Instituição Federal de Ensino

• Edivaldo da Silva Souza UFV http://orcid.org/0000-0002-0704-3383
• Luiz Antônio Abrantes UFV http://orcid.org/0000-0002-4460-125X
• Jugurta Lisboa-Filho UFV https://orcid.org/0000-0002-4050-0451

DOI: https://doi.org/10.5753/wcge.2021.15989

Resumo

Business Intelligence (BI) é composto por um banco de dados multidimensional, orientado por assunto, não volátil, histórico, decisório e variável em relação ao tempo. Ao aplicar o uso do Data Mart para uma Instituição Federal de Ensino no setor de gestão de pessoas, essa pesquisa trabalhou com os dados para desenvolver indicadores para a tomada de decisão. Questões como falta de sinergia entre as bases de dados existentes, qualidade dos dados fornecidos e impossibilidade da emissão de relatórios gerenciais em tempo hábil, foram tratados nesse estudo. Concluiu-se que a aplicação e implantação de BI através de Data Mart pode gerar dados precisos, solucionar os problemas e fornecer indicadores de desempenho.

Palavras-chave: Indicadores, Indicadores nas Instituições Federais de Ensino, Indicadores na Gestão de Pessoas nas Instituições Federais, Gestão de Pessoas, Business Intelligence, BI

Referências

Brasil. Decreto-Lei Nº 6.096. (2007). Disponível em: http://www.planalto.gov.br/ccivil_03/_ato2007-2010/2007/decreto/d6096.htm. Acesso em: 06 jun. 2020.

_____ . Decreto-Lei Nº 7.232. (2010). Disponível em: http://www.planalto.gov.br/ccivil_03/_ato2007-2010/2010/decreto/d7232.htm. Acesso em: 06 jun. 2020.

_____. Decreto-Lei Nº 7.485/2011. (2011). Disponível em: http://www.planalto.gov.br/ccivil_03/_ato2011-2014/2011/decreto/d7485.htm. Acesso em: 16 ago. 2020.

Da Silva Souza, E., Abrantes, L.A. and Lisboa-Filho, J. (2021). ETL Process in a Federal Educational Institution: Obtaining Functional Information and Geolocation of Retired Servers. In 2021 16th Iberian Conference on Information Systems and Technologies (CISTI) (pp. 1-6). IEEE.

GeoProfile. (2020). “Perfil UML Geoprofile para Banco de Dados Geográfico”. Disponível em: http://www.dpi.ufv.br/projetos/geoprofile/download.html. Acesso em: 15 junho 2020.

Inmon, W. B. (1997). Como construir o Data Warehouse. Rio de Janeiro: Campus.

Kimball, R. (1998). Data Warehouse Toolkit: Técnicas para Construção de Data Warehouse Dimensionais. São Paulo: Makron Books.

Lisboa-Filho, J., Sampaio, G. B., Nalon, F. R. and Borges, K. A. D. V. (2010). “A UML Profile for Conceptual Modeling in GIS Domain”, CAiSE 2010 Workshop, Hammamet, Tunisia.

Machado, F. (2007). Tecnologia e Projeto de Data Warehouse: Uma Visão Multidimensional. São Paulo: Érica.

Medina, F., Fariña, F. and Castillo-Rojas, W. (2018). “Data Mart para obtención de indicadores de productividad académica en una universidad.” Ingeniare. Revista chilena de ingeniería 26 (2018): 88-101.

Nominatim. (2020). “Nominatim com Dados do OpenStreetMap”. Disponível em: https://operations.osmfoundation.org/policies/nominatim/. Acesso em: 20 maio 2020.

OpenStreetMap. (2020). “Mapeamento Colaborativo”. Disponível em: https://www.openstreetmap.org. Acesso em: 20 de maio 2020.

Primak, F. V. (2008). Decisões com BI (Business Intelligence). Rio de Janeiro: Ciência Moderna.

Rob, P. and Coronel, C. (2010). Sistemas de Banco de Dados: Projeto, Implementação e Administração. São Paulo: Cengage do Brasil.

Pentaho. (2020). Disponível em: https://sourceforge.net/projects/pentaho/. Acesso em: 10 maio de 2020.

Takashina, N. and Flores, M. (1996). Indicadores da qualidade e do desempenho: como estabelecer metas e medir resultados. Rio de Janeiro: Qualitymark.