Data Warehouse - Análise de Aberturas de Xadrez

Aluno: Wendel Adriano Bitencourt

1. Introdução:

Este projeto tem como objetivo a implementação de um Data Warehouse para análise das aberturas de xadrez, permitindo compreender a eficácia, popularidade e tendências dessas aberturas ao longo do tempo.

Objetivos Específicos:

Extrair dados de partidas de xadrez e organizar as informações em um DW.
Desenvolver consultas SQL que respondam perguntas-chave sobre a eficácia das aberturas.
Criar gráficos e dashboards para análise visual dos dados.

2. Business Intelligence e Data Warehouse

2.1 Business Intelligence

O conceito de Business Intelligence (BI) surgiu para auxiliar na gestão de negócios por meio de tecnologias que otimizam a obtenção e análise de dados. O BI visa coletar e armazenar dados de diferentes fontes, transformando-os em informações concretas para gerar estratégias mais embasadas e tomadas de decisão mais eficientes.

2.2 Data Warehouse

Um Data Warehouse (DW) é um armazém de dados que integra um grande volume de dados sobre um assunto específico, normalmente espalhados de forma desorganizada.

Características básicas de um DW incluem:

Baseado em assuntos: Integra dados importantes para a organização.
Integrado: Remove inconsistências dos dados.
Não-volátil: Dados não são atualizados diretamente no DW.
Variável em relação ao tempo: Permite análises temporais detalhadas.

2.3 Modelagem Dimensional

A modelagem dimensional é uma arquitetura de projeto lógico, muito utilizada em DWs, para melhorar o desempenho de consultas. Ela ocorre de forma diferente do modelo relacional, focando em resultados rápidos para auxiliar na tomada de decisões.

Tabela Fato

A tabela fato é o centro do modelo dimensional, integrando os dados das tabelas de dimensão.

Tabelas Dimensão

A tabela dimensão representa uma parte do fato ou assunto que está sendo analisado.

Modelo Estrela

Modelo Estrela: Tabelas de dimensão conectadas diretamente à tabela fato.

3. Metodologia

O desenvolvimento do Data Warehouse foi dividido nas seguintes etapas:

Pesquisar fontes de dados: Coleta de dados de partidas de xadrez em um arquivo CSV.
Modelagem das tabelas: Criação das tabelas de dimensão e fato.
Inserção de dados nas tabelas: População das tabelas com os registros coletados.
Análise dos dados: Criação de gráficos e dashboards para análise visual dos dados.

4. Desenvolvimento

4.1 Fontes de Dados

Os dados utilizados para compor o Data Warehouse são oriundos de um arquivo CSV do site [https://www.kaggle.com/datasets/datasnaek/chess] contendo detalhes de partidas de xadrez.

4.1 Escolha do Tema e Problemática

O tema do projeto é "Análise de Aberturas de Xadrez". A problemática abordada foi identificar as aberturas mais eficazes e populares entre jogadores de diferentes níveis de habilidade, analisando tendências e a eficácia de diferentes estratégias de abertura. As perguntas foram baseadas em fatores como a eficácia das aberturas, popularidade ao longo do tempo e preferência entre jogadores altamente classificados.

4.2 Extração do Arquivo CSV para o Banco "ChessGames"

Os dados das partidas foram extraídos do arquivo CSV disponível no Kaggle (https://www.kaggle.com/datasets/datasnaek/chess) e carregados na tabela games do banco ChessGames para pré-processamento.

Tabela `games` (Banco `ChessGames`)

CREATE TABLE games (
    id VARCHAR(255) PRIMARY KEY,
    rated ENUM('TRUE', 'FALSE'),
    created_at BIGINT,
    last_move_at BIGINT,
    turns INT,
    victory_status ENUM('mate', 'resign', 'stalemate', 'timeout'),
    winner ENUM('branco', 'preto', 'empate'),
    increment_code VARCHAR(255),
    white_id VARCHAR(255),
    white_rating INT,
    black_id VARCHAR(255),
    black_rating INT,
    opening_eco VARCHAR(10),
    opening_name VARCHAR(255),
    opening_ply INT
);

4.3 Criação do Banco "ChessDW" e Perguntas Respondidas

As tabelas de dimensão e fato foram criadas no banco ChessDW para estruturar a análise dos dados. O esquema estrela foi utilizado para organizar as informações de forma eficiente.

Tabelas do Banco "ChessDW"

Tabela DimJogador

CREATE TABLE DimJogador (
    jogador_id VARCHAR(255) PRIMARY KEY,
    rating INT
);

#####Tabela DimPartida

CREATE TABLE DimPartida (
    partida_id INT PRIMARY KEY,
    num_turnos INT,
    rated ENUM('TRUE', 'FALSE')
);

#####Tabela DimTempo

CREATE TABLE DimTempo (
    tempo_id INT PRIMARY KEY,
    data_partida DATE,
    ano INT,
    mes INT,
    dia INT,
    hora INT
);

#####Tabela DimAbertura

CREATE TABLE DimAbertura (
    abertura_id VARCHAR(10) PRIMARY KEY,
    nome_abertura VARCHAR(255)
);

#####Tabela FatoPartidas

CREATE TABLE FatoPartidas (
    fato_id INT PRIMARY KEY,
    partida_id INT,
    jogador_branco_id VARCHAR(255),
    jogador_preto_id VARCHAR(255),
    tempo_id INT,
    abertura_id VARCHAR(10),
    vencedor ENUM('branco', 'preto', 'empate'),
    FOREIGN KEY (partida_id) REFERENCES DimPartida(partida_id),
    FOREIGN KEY (jogador_branco_id) REFERENCES DimJogador(jogador_id),
    FOREIGN KEY (jogador_preto_id) REFERENCES DimJogador(jogador_id),
    FOREIGN KEY (tempo_id) REFERENCES DimTempo(tempo_id),
    FOREIGN KEY (abertura_id) REFERENCES DimAbertura(abertura_id)
);

4.4 Processo de Elaboração do DW

O processo de elaboração do Data Warehouse envolveu as seguintes etapas:

Modelagem do Esquema:
- Definição das tabelas de dimensão e fato para criar um esquema do tipo estrela.
- Criação de tabelas de dimensão para jogadores, partidas, tempo e aberturas.
Construção das Tabelas:
- Criação das tabelas DimJogador, DimPartida, DimTempo, DimAbertura e FatoPartidas utilizando SQL.
Carregamento dos Dados:
- Importação dos dados das partidas a partir do arquivo CSV.
- Inserção dos dados transformados nas tabelas de dimensão e fato.
Análise dos Dados:
- Desenvolvimento de consultas SQL para responder perguntas-chave sobre as aberturas de xadrez.
- Criação de gráficos e dashboards para visualização dos resultados.

4.5 Consultas e Análise

Foram desenvolvidas várias consultas SQL para responder a perguntas-chave sobre aberturas de xadrez:

1.Quais aberturas levam à maior taxa de vitórias?

SELECT 
    a.nome_abertura,
    COUNT(*) AS total_partidas,
    SUM(CASE WHEN f.vencedor = 'branco' THEN 1 
             WHEN f.vencedor = 'preto' THEN 1 
             ELSE 0 END) AS total_vitorias
FROM ChessDW.FatoPartidas f
JOIN ChessDW.DimAbertura a ON f.abertura_id = a.abertura_id
GROUP BY a.nome_abertura
ORDER BY total_vitorias DESC
LIMIT 10;

2. Quais aberturas são mais populares entre os jogadores com alta classificação?

SELECT 
    a.nome_abertura,
    AVG(j.rating) AS media_rating
FROM ChessDW.FatoPartidas f
JOIN ChessDW.DimJogador j ON f.jogador_branco_id = j.jogador_id OR f.jogador_preto_id = j.jogador_id
JOIN ChessDW.DimAbertura a ON f.abertura_id = a.abertura_id
GROUP BY a.nome_abertura
ORDER BY media_rating DESC
LIMIT 10;

3. Qual abertura foi a mais popular no ano(2017)?

SELECT 
    a.nome_abertura,
    COUNT(*) AS total_uso
FROM ChessDW.FatoPartidas f
JOIN ChessDW.DimTempo t ON f.tempo_id = t.tempo_id
JOIN ChessDW.DimAbertura a ON f.abertura_id = a.abertura_id
WHERE t.ano = 2017
GROUP BY a.nome_abertura
ORDER BY total_uso DESC
LIMIT 10;

4. Quais aberturas mais eficazes contra jogadores altamente classificados?

SELECT 
    a.nome_abertura,
    AVG(j.rating) AS media_rating_oponente,
    SUM(CASE WHEN f.vencedor = 'branco' THEN 1 
             WHEN f.vencedor = 'preto' THEN 1 
             ELSE 0 END) AS total_vitorias,
    COUNT(*) AS total_partidas
FROM ChessDW.FatoPartidas f
JOIN ChessDW.DimJogador j ON f.jogador_preto_id = j.jogador_id
JOIN ChessDW.DimAbertura a ON f.abertura_id = a.abertura_id
GROUP BY a.nome_abertura
HAVING media_rating_oponente > 2000
ORDER BY total_vitorias DESC;

5. Qual abertura resulta em partidas mais rápidas?

SELECT 
    a.nome_abertura,
    AVG(p.num_turnos) AS media_turnos
FROM ChessDW.FatoPartidas f
JOIN ChessDW.DimAbertura a ON f.abertura_id = a.abertura_id
JOIN ChessDW.DimPartida p ON f.partida_id = p.partida_id
GROUP BY a.nome_abertura
ORDER BY media_turnos ASC
LIMIT 10;

6. Quais aberturas levam a mais empates?

SELECT 
    a.nome_abertura,
    SUM(CASE WHEN f.vencedor = 'empate'
                THEN 1 ELSE 0 END) AS total_empates
FROM ChessDW.FatoPartidas f
JOIN ChessDW.DimAbertura a ON f.abertura_id = a.abertura_id
GROUP BY a.nome_abertura
ORDER BY total_empates DESC
LIMIT 10;

5. Considerações Finais

Este projeto demonstrou como a implementação de um Data Warehouse pode proporcionar insights valiosos sobre estratégias de abertura no xadrez. A análise das aberturas permitiu identificar tendências, eficácia e popularidade de diferentes estratégias, oferecendo insights para jogadores e treinadores aprimorarem suas técnicas.

WendelBitencourt/DW-Analize-Aberturas-Xadrez