Construindo Dashboards Dinâmicos no ERP com Queries Otimizadas

“Dados sem contexto são apenas números. Visualizar o que importa transforma informação em decisão.”

Neste artigo vamos percorrer o caminho completo – da extração dos registros do ERP até a entrega de dashboards interativos que ajudam gestores a agir com rapidez e segurança. Você encontrará conceitos, boas práticas, exemplos de código SQL e Python, além de um passo‑a‑passo para montar visualizações usando ferramentas de Business Intelligence (BI) populares.

---

Sumário

Planejamento da camada de dados para visualização

Escrevendo queries eficientes no contexto ERP

Montando dashboards interativos com ferramentas de BI

Exemplo prático completo

Conclusão

---

1. Planejamento da camada de dados para visualização

1.1. Por que separar camada de visualização da camada operacional?

Um ERP foi projetado para transações em tempo real, não para consultas analíticas complexas. Quando uma query pesada roda na base operacional, o desempenho das rotinas de negócio pode ser comprometido. A solução padrão é criar um Data Warehouse (DW) ou um Data Mart dedicado à análise.

Benefícios de separar as camadas:

Benefício	Descrição
Isolamento de carga	Consultas analíticas não impactam o processamento de pedidos.
Modelagem otimizada	Estruturas em estrela ou snowflake facilitam agregações rápidas.
Histórico consistente	Snapshots diários permitem comparações históricas sem interferir nas transações.
Segurança granular	Permissões de leitura podem ser concedidas separadamente.

1.2. Modelagem dimensional: fato vs dimensão

A abordagem mais adotada em BI é a modelagem dimensional, que separa tabelas de fato (medidas quantitativas) de tabelas de dimensão (atributos descritivos). No contexto de um ERP, um exemplo clássico:

• Fato_Vendas – colunas: valor_total, quantidade, data_id, cliente_id, produto_id.
• Dim_Cliente – colunas: cliente_id, nome, segmento, regiao.
• Dim_Produto – colunas: produto_id, descricao, categoria, preco_base.
• Dim_Tempo – colunas: data_id, data, mes, trimestre, ano.

Essa estrutura permite responder rapidamente perguntas como “Qual o faturamento por região nos últimos 12 meses?”.

1.3. Estratégia de ETL simplificada

Para pequenos e médios projetos, um ELT (Extract‑Load‑Transform) pode ser mais ágil: carregue os dados brutos em staging e execute as transformações dentro do próprio DW. Um exemplo em Python usando pandas e sqlalchemy:

# extract: ler tabelas do ERP (ex.: PostgreSQL)

import pandas as pd
from sqlalchemy import create_engine


engine_src = create_engine("postgresql://user:pwd@erp-db:5432/erp")
engine_dw  = create_engine("postgresql://user:pwd@dw-db:5432/dw")

Carrega clientes e vendas

df_cliente = pd.read_sql("SELECT  FROM cliente", engine_src)
df_venda   = pd.read_sql("SELECT  FROM venda", engine_src)

Transform: gerar chave de data e limpar campos

df_venda['data_id'] = pd.to_datetime(df_venda['data_venda']).dt.strftime('%Y%m%d').astype(int)

Load: gravar nas tabelas dimensionais e de fato

df_cliente.to_sql('dim_cliente', engine_dw, if_exists='replace', index=False)
df_venda[['valor_total','quantidade','data_id','cliente_id','produto_id']] \
    .to_sql('fato_vendas', engine_dw, if_exists='replace', index=False)

Dica: agende esse script com cron ou use um orchestrator leve como Airflow para garantir a atualização diária.

---

2. Escrevendo queries eficientes no contexto ERP

2.1. Princípios de otimização

Filtros antes de joins – aplique WHERE nas tabelas menores antes de juntá‑las.

Uso de índices – crie índices nas colunas usadas em filtros e joins (cliente_id, data_id).

Agregação pré‑calculada – quando possível, materialize resultados em tabelas de resumo (fato_vendas_mensal).

Evite SELECT – selecione apenas as colunas necessárias.

2.2. Exemplo de query de KPI de vendas

Objetivo: obter o Faturamento Mensal e a Taxa de Crescimento em relação ao mês anterior, por região.

-- 1️⃣  Agregação mensal por região

WITH mensal AS (
    SELECT
        d.regiao,
        DATE_TRUNC('month', f.data_id::date) AS mes,
        SUM(f.valor_total) AS faturamento
    FROM fato_vendas f
    JOIN dim_cliente d ON f.cliente_id = d.cliente_id
    GROUP BY d.regiao, DATE_TRUNC('month', f.data_id::date)
)


-- 2️⃣  Cálculo da variação mensal
SELECT
    m.regiao,
    TO_CHAR(m.mes, 'YYYY-MM') AS mes,
    m.faturamento,
    LAG(m.faturamento) OVER (PARTITION BY m.regiao ORDER BY m.mes) AS faturamento_mes_anterior,
    ROUND(
        100.0  (m.faturamento - LAG(m.faturamento) OVER (PARTITION BY m.regiao ORDER BY m.mes))
        / NULLIF(LAG(m.faturamento) OVER (PARTITION BY m.regiao ORDER BY m.mes), 0)
    , 2) AS crescimento_percentual
FROM mensal m
ORDER BY m.regiao, m.mes;

Por que essa query é eficiente?

• O WITH (CTE) cria um conjunto resumido antes de calcular a janela (LAG).
• DATE_TRUNC garante que o agrupamento seja feito por mês inteiro, evitando cálculos repetidos.
• O LAG opera em uma janela já ordenada, evitando self‑joins custosos.

2.3. Indexando as colunas críticas

CREATE INDEX idx_fato_vendas_data_id   ON fato_vendas (data_id);

CREATE INDEX idx_fato_vendas_cliente_id ON fato_vendas (cliente_id);
CREATE INDEX idx_dim_cliente_regiao    ON dim_cliente (regiao);

Observação: sempre analise o plano de execução (EXPLAIN ANALYZE) antes de aplicar índices em produção.

---

3. Montando dashboards interativos com ferramentas de BI

3.1. Escolha da ferramenta

Ferramenta	Licença	Pontos fortes	Quando usar
Metabase	Open‑source	Instalação simples, consultas SQL embutidas, visualizações rápidas	Pequenas e médias empresas, equipes ágeis
Power BI	Proprietária (Desktop gratuito)	Integração com Excel, modelagem avançada, publicação na web	Organizações Microsoft‑centric
Superset	Open‑source	Suporte a múltiplas fontes, visualizações avançadas, segurança granular	Times de dados que precisam de customização

Para este tutorial, usaremos Metabase, pois ele permite conectar diretamente ao DW via JDBC e criar visualizações sem necessidade de código avançado.

3.2. Configurando a conexão

Instalação rápida (Docker)

docker run -d -p 3000:3000 \

  -e "MB_DB_TYPE=postgres" \
  -e "MB_DB_DBNAME=metabase" \
  -e "MB_DB_PORT=5432" \
  -e "MB_DB_USER=metabase_user" \
  -e "MB_DB_PASS=strong_password" \
  --name metabase metabase/metabase

Adicionar fonte de dados

- Acesse http://localhost:3000 → Admin Settings → Databases → Add database. - Selecione PostgreSQL e informe host, porta, usuário, senha e banco (dw). - Clique em Save.

3.3. Criando a visualização de crescimento de faturamento

Nova pergunta (New Question) → Custom → escolha a tabela fato_vendas.

No editor SQL, cole a query do item 2.2.

Clique em Visualize → selecione Line chart.

Arraste mes para o eixo X, faturamento para o eixo Y e regiao como série.

Ative a opção Show trend line para destacar a variação.

3.4. Dashboard final

• Crie um Dashboard chamado “Indicadores de Vendas – ERP”.
• Adicione o gráfico de linha acima.
• Inclua um Table com o KPI de Top 5 clientes (query simples).
• Salve e compartilhe o link público ou integre via iframe em um portal interno.

![Desenvolvimento e Código](https://images.unsplash.com