Fala galera, dia 24 e 25 de Setembro/2015 rolou em São Paulo o Microsoft Insights Powered by TechEd.

Eu tive o prazer de apresentar uma sessão sobre as novidades da área de Business Intelligence no SQL Server 2016. Consegui consolidar muita coisa boa que está vindo nesta versão do produto, mas muitas outras ficaram de fora.

Consegui mostrar de forma fluída o uso de pacotes do Integration Services para trabalhar com Azure Blob Storage e HDInsights. Lí dados de diversas fontes com o PowerBI, montei relatórios para dispositivos móveis usando o Datazen. Mostrei o Polibase, a integração nativa do SQL Server para interagir com o Hadoop através de consultas T-SQL e não somente com consultas HiveQL. Também falamos sobre a integração de JSON e R dentro do SQL Server. Foi bastante proveitoso e a sala estava cheia até o final…

Fiquei muito feliz de ter feito esta apresentação e pelas perguntas e comentários da galera que foi até o Ask the Experts, no final.
Caso alguém queira acompanhar os slides, vejam abaixo:

O post TechEd Brasil 2015 – Novidades do SQL Server 2016 para Business Intelligence apareceu primeiro em Diego Nogare.

Foi uma apresentação de + – 3 horas sobre Business Intelligence, Data Visualization e Data Science. A sala ficou cheia até o final, e acabou por volta das 22hs! Gostei demais de apresentar sobre estes temas para um grupo mega especializado de participantes. Várias interações e perguntas de alto nível. Se fosse resumir em uma palavra, seria: FODASTICO!

Veja algumas fotos que o Vitor Fava, o Chapter Leader do SQLManiacs, registrou no dia.

Também aproveite e veja os slides utilizados na apresentação las mejores laptops para juegos

Bons estudos!

O post Business Intelligence, Data Visualization and Data Science apareceu primeiro em Diego Nogare.

Fala galera, uma coisa que é bastante comum de acontecer é escrever um código T-SQL pra resolver um problema e ficar alterando este código no decorrer do tempo. Muita gente acaba versionando o código duplicando arquivos dentro dos diretórios e modificando os nomes com V1, V2, V3, …, V508. Isso é péssimo, a gente nunca sabe qual arquivo estava o código correto que usamos no passado e que foi modificado pra versão atual do que estamos fazendo, sem contar também que pode-se ter problemas de apagar o arquivo localmente, ou pior, o disco da sua máquina de desenvolvimento que contém estes códigos pode dar problema e você perde tudo o que fez.

Uma solução para estas situações é usar algum tipo de versionamento de códigos, já mostrei aqui como usar o TFS pra versionar seus projetos no servidor. Hoje vou mostrar como usar o GIT e o GITHUB pra versionar os códigos T-SQL de seus scripts. O versionamento além de permitir que os comentários das publicações do código sejam feitos, também é possível compartilhar estes projetos com outros usuários e ter uma colaboração no seu código. Podem ter colegas trabalhando no mesmo código e será possível ver as alterações que cada um fez no arquivo.

Bom, a primeira coisa a se fazer é criar uma conta no GITHUB, para isso, acesse o site http://github.com e preencha seu cadastro. O Github será o seu repositório e controlador na internet. É seguro e muito utilizado por grandes empresas, então se você tem algum medo com relação à segurança, pode ficar um pouco mais tranquilo.

Existem dois tipos de contas, uma gratuita (e aberta) e uma paga (e privada). Quando você escolhe que sua conta será aberta (gratuita) todos os usuários podem ter acesso à seus códigos, inclusive podendo copiar seus scripts mesmo sem precisar pedir autorização. Já quando é uma conta privada (paga) você gerencia os acessos, permitindo que somente as pessoas X, Y ou Z possam acessar a pasta pra ver os arquivos, podem ler os documentos ou podem ter acesso à fazer modificações. Isso vai ficar de acordo com sua necessidade. No meu caso, possuo na mesma conta alguns projetos gratuitos e outros pagos. Os gratuitos vocês conseguem enxergar, acessando o link: https://github.com/diegonogare

Após criar sua conta no Github, você precisa baixar e instalar o GIT. Acesse http://git-scm.com/download/win e faça o download do Git Bash, que é uma aplicação console (em linha de comando) que fará a comunicação com sua conta no Github. É através do Bash que você se conecta a um repositório, pega a ultima versão do arquivo, faz upload do seu código para o repositório, consegue encontrar as versões dos códigos que foram publicados, entre outras atividades. É através dele que você gerencia toda a comunicação com o servidor de código.

Existem bastate linhas de código pra você interagir com o GITHUB através do Git. Veja abaixo a sequência de códigos mais comuns, e sua aplicabilidade:

1. Criar o repositório no Github que receberá seus códigos;
2. Conectar a pasta local com o repositório do servidor;
3. Acessar a pasta onde tem seu arquivo que deseja criar o versionamento;
4. Verificar o status dos arquivos existentes nesta pasta (opicional);
5. Adicionar o arquivo desejado (ou todos) para dentro do GIT, ainda localmente;
6. Fazer o commit do arquivo, adicionando os comentários que ficam atrelados aos arquivos;
7. Fazer o envio do arquivo pro servidor do GITHUB.

Para exemplificar o processo, vou criar uma pasta com o nome de SCRIPT dentro do C:\TEMP no meu computador. Nesta pasta vou criar um arquivo chamado BlogDoNogare.sql que vai receber um comando qualquer, vou subir este código pro Github, depois vou alterar o código localmente e subir novamente pro Github. Por fim, vamos encontrar o código no portal web e visualizar o versionamento.

Passo 1 – Criar a pasta no Github que receberá seus códigos. Para isso, acesse o Github após seu registro e clique em criar novo repositório. Este repositório, na literatura, é chamado só de “Rep”.

Passo 2 – Após criar o diretório no Github, na página seguinte da criação aparecem alguns códigos. Mantenha essa página aberta ou copie estes códigos para um bloco de notas, vamos usar em breve.

Passo 3 – Agora abra o Git Bash pra conectar a pasta local com o servidor.

Passo 3.1 – Vá até a pasta que receberá seus arquivos. No meu caso, C:\Temp\Script. O comando LS retorna a lista de objetos dentro da pasta.

Passo 3.2 – Use o comando Git Init pra criar uma estrutura interna nesta pasta, e permitir que o Git (local) faça o gerenciamento desta pasta e sub-pastas.

Passo 3.3 – Coloque o primeiro arquivo dentro da pasta. No meu caso, é só um arquivo chamado BlogDoNogare.sql com o código SELECT @@VERSION. Faça isso com o próprio SQL Server Management Studio.

Passo 3.4 – Adicionar o arquivo, ou conjunto de arquivos, para o Git (local) contabilizar e versionar. O comando GIT ADD faz isso, se você especificar o nome do arquivo, só este arquivo é adicionado ao controle de versão neste momento, se você especificar . [ponto], todos os arquivos que foram alterados serão marcados com a flag pra versionar. No meu caso, espeficiquei o nome, digitando GIT ADD BlogDoNogare.sql

Passo 3.5 – Opicionalmente você pode utilizar o comando Git Status pra coletar mais detalhes do que tem de alteração na pasta. Existem 3 cores que os nomes dos arquivos podem aparecer. Vermelho significa que o arquivo está alterado e ainda não foi versionado esta alteração. Amarelo significa que foi alterado e está versionado, mas ainda não foi pro servidor. Verde significa que foi versionado e está no servidor. Depois que você enviar pro servidor e alterar o arquivo localmente, ele volta a ficar vermelho e segue esta ordem de cores novamente. Novos arquivos também ficam verdes, mesmo sem ter sido enviado pro servidor.

Passo 3.6 – É momento de marcar os arquivos que foram adicionados neste versionamento para enviar ao servidor. O comando Git Commit –m “sua_mensagem_aqui” coloca esta comentário que fica entre aspas para todos os objetos que serão enviados pro servidor. Possibilitando que este comentário seja visto no Github. No meu caso, coloquei o comentário “Retorna a versão do SQL Server”.

Passo 3.7 – Lembra daqueles códigos que a gente copiou da página do Github logo após a criação do repositório? Então, aqui é hora de usar a primeira linha daquele código. Ela é responsável por conectar esta pasta com o servidor. Após inserir esta linha, vai lhe pedir o usuário e senha, é o mesmo que você usou pra se registrar no Github. Esta ligação é feita uma única vez, e geralmente é na primeira vez. Depois, quando você precisar mudar o repositório de destino, você precisa rodar novamente estes códigos, mas é só quando muda o destino lá no servidor.

Passo 3.8 – Agora já temos o diretório local criado, o arquivo marcado para ser controlado, e a pasta conectada com o servidor. O próximo e ultimo passo é enviar o arquivo fazendo um push. Para fazer isso, basta usar aquele segundo comando que foi apresentado na página do Github.

Passo 3.9 – Pronto, seu arquivo está no servidor. Se você voltar ao Github e atualizar a página, já será possível encontrar seu arquivo publicado e com o comentário que você criou.

Vamos alterar o arquivo local, e ver o comportamento dele no servidor?

Passo 4 – Altere o código do seu script de SELECT @@VERSION para SELECT @@SERVERNAME e salve o arquivo.

Passo 4.1 – Utilizei o comando Git Status para ver o que aconteceu com seus arquivos que estão com a flag pra controle de versão. Veja que agora este arquivo está com a cor vermelha.

Passo 4.2 – Novamente vamos marcar o arquivo para versionamento, isso vai dizer que o código que está no arquivo agora deve ser enviado pro servidor do Github. Faça isso usando o comando Git Add. Lembra que da primeira vez foi usado o nome do arquivo? Então, agora usei o . [ponto] pra adicionar todos os arquivos. Como só existe um arquivo na pasta, só ele será marcado.

Passo 4.3 – O passo seguinte é realizar o commit dos arquivos. Usando o código Git Commit –m “Retorna o nome do servidor”, eu informo o comentário relativo à alteração que tem no arquivo.

Passo 4.5 – Pra finalizar, é necessario enviar os arquivos que foram “commitados” para o servidor. Faça isso usando o Git Push. Como já foi feita a primeira ligação entre a pasta e o servidor, pode usar somente o Git Push sem informar que é na branch master. A não ser que você tenha criado uma nova branch. Mas não é nosso caso, estamos trabalhando no padrão, que é a Master. Mais uma vez você precisa informar o Usuário e a Senha do Github.

Pronto, agora seu arquivo no Github já está alterado e pode ser visto todo o histório de alterações, tal qual com seu comentário para facilitar a identificação das alterações.

Estes comandos em GIT são bem básicos mas já permitem que seus códigos T-SQL possam ser versionados e você consiga compartilhar isso com outros colaboradores. Lembre-se de que existem duas contas do GIT, uma gratuita e uma paga. Esta que criamos aqui é gratuita, mas para os códigos da sua empresa, é altamente recomendado que seja uma paga (pra evitar vazamento dos códigos). A não ser que você queria que a galera tenha acesso à seus códigos

Para aprender com muito mais detalhes a trabalhar com GIT + Github, vale dar uma olhada nestes cursos:

[Pago – Em português] Git e Gthub para desenvolvedores .NET

[Gratuito – Em inglês] GIT REAL

O post Usando GIT e GITHUB pra versionamento e colaboração de código T-SQL apareceu primeiro em Diego Nogare.

Nesta apresentação mostrei a minha forma de ver esta nova profissão, e como você pode se capacitar pra entrar neste mercado. É algo novo, mas com muita propensão a ser uma das principais profissões dos próximos anos. Então, levante as mangas e mãos à obra!

Apresentação

Vídeo

Bons estudos!

O post O dia a dia do Cientista de Dados apareceu primeiro em Diego Nogare.

Bons estudos!

O post Vídeo da minha palestra no CONABI – 1º Congresso Nacional Online de Business Intelligence apareceu primeiro em Diego Nogare.

Fala galera, neste ano do MVP Showcast, que acontecerá entre 15/Setembro e 9/Outubro, fui convidado para apresentar duas sessões sobre BigData. Uma na trilha de Plataforma de Dados, BI & BigData e outra na de Azure & BigData. Veja abaixo a descrição de cada uma.

A primeira é dia 06/10 às 20h00 e será sobre O Dia a Dia do Cientista de Dados na trilha de Plataforma de Dados, BI & BigData.

Com o novo buzzword de tecnologia Big Data, surgiu uma nova profissão: a do Cientista de Dados. Nesta palestra, o MVP em SQL Server Diego Nogare apresenta o que o mercado (e os outros profissionais) devem esperar de um Cientista de Dados, e como esta nova profissão pode ajudar sua empresa.

A segunda será dia 09/10 às 12h e será sobre Entendendo Big Data Através da Plataforma Microsoft na trilha de Azure & BigData.

Revele novas informações e tome decisões melhores com o HDInsight do Azure, uma solução de Big Data fornecida pela Apache Hadoop. Navegue nessas informações de todos os tipos de dados para usuários empresariais por meio do Microsoft Excel.

Não deixe de aproveitar todas as 64 palestras gratuitas que serão realizadas neste período. Acesse o site e saiba os títulos, horários e palestrantes: http://mvpshowcast.azurewebsites.net/

O post MVP Showcast 2014 – Minhas duas sessões sobre Big Data apareceu primeiro em Diego Nogare.

Este segundo algoritmo que vamos falar é de Regras Associativas. Voltando ao primeiro post, as Regras Associativas apresentam uma estrutura combinatória dentro de um DataSet a partir de itens similares que estão sendo processados. A maioria dos sistemas inteligentes que utilizam este algoritmo são criados para recomendar um produto para o usuário, normalmente em e-commerce. Já reparou que quando acessa o site da Amazon e procura o livro Do Banco de Dados Relacional à Tomada de Decisão, e vários outros livros de Business Intelligence e BigData são apresentados? Então, não existe um Oompa-Loompa colocando isso aleatoriamente para você. Por trás, existe um sistema de recomendação completo, provavelmente utilizando a categoria “Computação, Informática e Mídias Digitais” como um parametro de entrada para este item. Como sempre, é importante conhecer a base e saber quais segmentações você quer aplicar para a recomendação. Neste caso, quando se coloca a categoria como um parametro de entrada, sempre serão recomendados itens similares dentro desta categoria, mas se todos os compradores do meu livro também comprassem um livro de culinária, ele não apareceria na recomendação pois está em outra categoria.

Bom, já entendemos a aplicabilidade e como ele funciona, agora vamos criar um exemplo para o Adventure Works?

Primeira coisa é necessário criar um novo projeto do tipo SSAS com Data Mining. Mais uma vez vou acreditar que você sabe criar um Data Source apontando para o AdventureWorksDW2012 e um Data Source View apontando para a vAssocSeqLineItems e vAssocSeqOrders. Esta estrutura basicamente é um relacionamento entre pedidos e produtos. Onde uma view tem os pedidos que foram feitos, e na outra view tem a lista de produtos que estão associadas àquele pedido. Consegue ver um relacionamento entre essas views? E a aplicabilidade desse relacionamento na nossa recomendação de conteúdo? Caso não tenha conseguido descobrir essa associação, a idéia é encontrar na lista de itens os produtos que também são comprados (com base na outra view de pedido) quando ao menos um daqueles itens é o que está no meu carrinho. Ficou mais claro? Não? Ok, vamos continuar e ver se conseguimos explicar… Voltando pra Amazon, e olhando a categoria do meu livro. Diversas pessoas olham meu livro e alguns outros livros na mesma visita à pagina, não importa a ordem, pode ser que vejam outros livros e depois o meu (a ordem de visualização vai importar quando estivermos falando de algoritmo de Sequence Cluster, mas isso é pra outro post). O importante é que existe uma ligação entre a visita e os produtos que foram vistos, no caso estes livros. Depois de algum tempo, estes livros passam a ter um relacionamento mais preciso, pois tem mais gente visualizando os livros. Não significa que em todos os acessos os visitantes visualizam todos os livros, estes que estão recomendados são os 5 livros que mais se relacionam com o meu no momento do processamento e dentro naquela categoria que está sendo processada. Pode ser que no futuro um outro livro passe a ser visualizado sempre que alguém buscar o meu livro, isso fará com que o 5º livro da ordem, que seria representado por uma ligação mais fraca, pare de aparecer na recomendação e entre esse outro livro… Tudo isso automaticamente, sem a intervenção daquele Oompa-Loompa comentado lá em cima.

Voltando ao exemplo, depois de incluir o Data Source View, é preciso relacionar as views, arrastando o campo OrderNumber da view vAssocSeqLineItems para cima do campo vAssocSeqOrders.

Próximo passo é hora de criar o Mining Model para as regras associativas, faça isso clicando com o botão dirento em Mining Structure e criando um novo a partir do From existing relational database or data warehouse e escolhendo Microsoft Association Rules.

Ao avançar para as próximas telas, deve-se informar qual view é Case e qual é Nested. Neste caso, a estrutura de CASE é onde temos a informação principal que será usada para segmentar os dados. Fazendo uma analogia ao livro, é onde se encontra a categoria de “Computação, Informática e Mídias Digitais” e não os livros que foram visualizados juntos. Já a tabela NESTED é onde se encontram estes livros que foram visualizados juntos. Então selecione vAssocSeqOrders para Case e vAssocSeqLineItens para Nested.

Ao avançar para a tela seguinte, é solicitado para informar quais campos serão tratados como Key, Input e Predictable. A seleção destas colunas é baseada na mesma explicação que foi feita no post sobre Árvores de Decisão, então dê um pulinho lá e veja o que é. Desmarque todas as opções que vierem marcadas, e selecione as caixas de OrderNumber como chave (coluna key) e as três colunas da Model. Sua seleção ficará assim:

Quando avançar para a próxima tela, garanta que ambas colunas selecionadas estejam marcadas como Key, no Content Type.

Só pra lembrar, como neste caso é importante a acertividade na recomendação dos itens similares, altere de 30 para 0 o valor do campo “Percentage of Data for Testing“. Avance até finalizar o processo.

Se tudo ocorreu direito, seu Mining Structure ficará assim:

Antes de processar seu projeto, lembre-se de informar qual é o servidor que tem o SQL Server Analysis Services instalado e configurado. Após este pequeno detalhe, faça o processamento.

Após processar, mude a aba do seu Mining para Mining Model View, e então, dentro desta aba, vá até o item Dependency Network.

Aqui dentro é possível ver os nós de associação que foram criados.

Parece pouca associação (mas por trás não é), isso acontece pela parametrização da quantidade mínima de ocorrências similares dos objetos. Para aumentar isso, volte até a aba Mining Model, clique com o botão direito em Set Algorithm Parameters.

Altere os parametros de Minimum_Support para 0.01 e de Minimum_Probability para 0.1, ao terminar esta alteração, processe novamente seu modelo e em seguida volte a visualizar as associacões (aba Dependency Network do seu Mining Model View). Veja que agora está bem mais completo e bonito de ver.

Para consumir as associações, é possível escrever códigos DMX (Data Mining Extentions) passando como parâmetro o nome de um dos produtos, e recebendo uma lista dos outros itens que são associados à ele nas compras. Está no meu pipe pra escrever uma app em .Net que consuma esses dados via DMX, e claro, postar aqui como foi feito J

O post Algoritmo de Regras Associativas (Association Rules) no Data Mining do SQL Server 2014 apareceu primeiro em Diego Nogare.

Como já foi falado no primeiro post, este algoritmo de classificação é responsável por criar uma representação visual que chamamos de árvore por contem um nó raíz, nós intermediários que são as ramificações e os últimos nós representados que são as folhas.

É importante conhecer os dados que serão trabalhados para poder definir o que são atributos de entrada e o que são atributos preditivos. Basicamente, os atributos de entradas são colunas do banco de dados que podem influenciar o resultado final, e o resultado final é a coluna preditiva. Imagine um cenário onde o objetivo é classificar pessoas que são possíveis compradores do livro Do Banco de Dados Relacional à Tomada de Decisão. Então neste caso a coluna preditiva do banco é se o cara comprou ou não o livro. As colunas de input são as colunas que tem alguma influência sobre a compra do livro, por exemplo, o idioma, a área de atuação, interesse técnico, etc. O algoritmo, com base nestas informações de input e predição, estrutura os nós da árvore classificando o que é relevante nas ramificações e entregando um (ou mais) caminhos ideais para chegar até as folhas. Pensando por esse lado, foi constatado que das 10 vendas que o livro teve, 8 falam idioma Português, 7 trabalham na área de Banco de Dados e somente 3 tem interesse técnico. Quando estes dados são processados pelo algoritmo e apresentado através da Árvore de Decisão, é possível ver claramente qual é o melhor caminho para segmentar o público que compraria o livro. São profissionais que falam Português e que trabalham na área de Banco de Dados, mas o interesse técnico não importa. Se fizer uma campanha de marketing direcionada para este público, a chance de vender o livro é muito maior do que enviar para um grupo de pessoas que falam Inglês e trabalham na área de Nutrição.

Bom, depois desse exemplo para entender o funcionamento do algoritmo, vamos começar um exemplo utilizando o Adventure Works.

Primeira coisa é necessário criar um novo projeto do tipo SSAS com Data Mining. Vou levar em conta que você sabe criar um Data Source apontando para o AdventureWorksDW2012 e um Data Source View apontando para a vTargetMail.

O próximo passo é onde começa a mineração de dados, procure na Solution Explorer o item de Mining Structure e clique com o botão direito do mouse, em seguida, aponte para New Mining Structure.

Neste momento uma tela de abre e permite que você informe onde estão os dados de origem. Como utilizaremos o Data Warehouse para consumir os dados, deixe marcada a opção que é apresentada.

Ao avançar para a próxima tela, você deve escolher qual algoritmo vai utilizar para sua mineração. No caso deste exemplo, mantenha escolhido o default, que é Decision Tree.

Na tela seguinte, você informa qual é o Data Source View que possui a conexão com sua base de dados de origem. Como foi criado somente um Data Source View, somente ele é apresentado.

Ao avançar, o wizard pergunta quais tabelas são Case e quais são Nested. Mantenha a tabela (eu sei que é uma view!!!!) vTargetMail marcada como Case e avance.

Neste momento é hora de selecionar quais colunas são de entrada e quais são preditivas. Ao bater o olho na tela, é intuitivo marcar as linhas definidas para cada coluna. Garanta que seu ambiente está marcado com:

Key à CustomerKey

Input à Age e CommuteDistance

Predictable à BikeBuyer

Como apresentado a seguir

Avance para a próxima tela, e informe quais são valores Continuous ou então Discrete. Lembrando que valores contínuos apresentam uma grande variação de ocorrencias dentro da coluna e os discretos variam pouco. Por exemplo um campo do tipo CPF é um valor contínuo (varia muito de individuo para individuo) e uma coluna do tipo sexo é discreto (varia só um pouco). Caso não esteja a vontade, ou não conhece a base, pode clicar em Detect e o SQL Server analisa e lhe dá o resultado.

O próximo passo é finalizar e informar o nome. Como não estou com criatividade hoje, vou deixar o nome sugerido pelo SQL Server e vou manter v Target Mail.

Um novo item é criado dentro da Solution Explorer, e é neste objeto que a Mineração de Dados ocorre. Para encontrar a Árvore de Decisão, é preciso processar os dados. É possível processar somente o modelo ou então o projeto como um todo. No caso, vamos processar todo o projeto. Para isso, vá na Solution Explorer, clique com o botão direito no projeto e aponte para Process. Lembrando de apontar para o deploy para o servidor correto.

Se tudo ocorrer bem ao processamento, será apresenta o status Process Succeeded.

Para encontrar a Árvore de Decisão, vá até a área central do SQL Server Data Tools no objeto v Target Mail, e abra a aba Mining Model Viewer.

Reparem que os nós Raiz [1], Ramificações [2] e Folha [3] são apresentados, e pode-se seguir o caminho da predição com base nas variáveis de entrada. Um ponto importante para seguir com a análise, é entender essa graduação de cores, na qual o item mais escuro representa o resultado mais impactante com base na predição esperada. A base do AdventureWorks é de uma empresa fictícia de venda de acessórios para bicicletas, então, olhando esta árvore, é possível predizer que os melhores clientes para realizar possíveis compras futuras seguindo o fluxo com as cores mais escuras.

Agora é com vocês, apliquem estas técnicas de mineração de dados em seu ambiente e façam com que seus resultados sejam mais assertivos!

O post Algoritmo de Árvore de Decisão (Decision Tree) no Data Mining do SQL Server 2014 apareceu primeiro em Diego Nogare.

Para baixar o Add-In, acesse este link e escolha a versão x86 ou x64. No meu caso foi o x64.

Depois de fazer a instalação, o Wizard pergunta se quer abrir uma planilha de exemplos. Fique a vontade para abrir e ver o que tem para “brincar” de mineração de dados.

Abrindo esta planilha de exemplo ou não, é necessário vincular o Add-In do Excel com o seu SSAS. Para isso, vá até a Ribbon DATA MINING e clique no botão << No Connection >>.

Uma tela se abre pedindo para conectar no SSAS, clique no botão New e em seguida preencha os dados de autenticação ao seu servidor. Depois de configurado, a conexão aparece na lista da esquerda.

Por fim, o botão da Ribbon que estava com << No Connection >> já está alterado e apontando para o servidor que você configurou.

A partir de agora é possível trabalhar com mineração de dados de dentro do Excel.

O post Data Mining do SQL Server 2014 no Excel 2013 apareceu primeiro em Diego Nogare.

A primeira coisa a ser feita é baixar o SSDT 2013, que tem por volta de 1GB de tamanho. Faça o download a partir desta página. Não se preocupe de aparecer X86 no nome, ele suporta tanto o x86 quanto o x64. Depois de terminado do Download, abra o arquivo .EXE e informe onde ele será descompactado. Quando terminar de decompactar, procure o Setup dentro da pasta. Abra e siga os passos de instalação.

Depois de instalado o SQL Server Data Tools 2013, é hora de baixar e instalar o Team Explorer, que possui 2 arquivos: um de 130MB e outro de 900Kb. Baixe ambos. Faça o download a partir desta página. Depois de baixar os arquivos, instale a partir do arquivo de 900Kb.

Quando terminar a instalação, abra o SSDT 2013 e vá até o menu TEAM e em seguida, Connect to Team Foundation Server…

Forneça os dados de autenticação, e a partir deste momento, tenha todos seus projetos disponíveis para baixar e trabalhar novamente.

Pronto, com estes poucos passos você pode ter seu ambiente atualizado e seu código versionado!

O post Atualizando o SQL Server Data Tools – SSDT – para o Visual Studio 2013 e controlando versionamento de código com TFS apareceu primeiro em Diego Nogare.